การสร้างลายเซ็น LncRNA ที่เกี่ยวข้องกับภูมิคุ้มกันแบบใหม่ เพื่อระบุผู้ป่วยมะเร็งตับอ่อนที่มีความเสี่ยงสูงและต่ำ |บีเอ็มซี ระบบทางเดินอาหาร

มะเร็งตับอ่อนเป็นหนึ่งในเนื้องอกที่อันตรายที่สุดในโลกโดยมีการพยากรณ์โรคที่ไม่ดีดังนั้นจึงจำเป็นต้องมีแบบจำลองการคาดการณ์ที่แม่นยำเพื่อระบุผู้ป่วยที่มีความเสี่ยงสูงต่อมะเร็งตับอ่อน เพื่อปรับการรักษาและปรับปรุงการพยากรณ์โรคของผู้ป่วยเหล่านี้
เราได้รับข้อมูล RNAseq ของมะเร็งจีโนม Atlas (TCGA) มะเร็งตับอ่อน (PAAD) RNAseq จากฐานข้อมูล UCSC Xena ระบุ lncRNAs ที่เกี่ยวข้องกับภูมิคุ้มกัน (irlncRNAs) ผ่านการวิเคราะห์สหสัมพันธ์ และระบุความแตกต่างระหว่าง TCGA และเนื้อเยื่อมะเร็งของต่อมตับอ่อนปกติDEirlncRNA) จาก TCGA และการแสดงออกของเนื้อเยื่อจีโนไทป์ (GTEx) ของเนื้อเยื่อตับอ่อนทำการวิเคราะห์การถดถอยแบบตัวแปรเดียวและแบบบ่วงบาศเพิ่มเติมเพื่อสร้างแบบจำลองลายเซ็นการพยากรณ์โรคจากนั้นเราคำนวณพื้นที่ใต้เส้นโค้งและกำหนดค่าจุดตัดที่เหมาะสมที่สุดสำหรับการระบุผู้ป่วยที่มีมะเร็งตับอ่อนของต่อมในตับอ่อนที่มีความเสี่ยงสูงและต่ำเพื่อเปรียบเทียบลักษณะทางคลินิก การแทรกซึมของเซลล์ภูมิคุ้มกัน สภาวะแวดล้อมจุลภาคของภูมิคุ้มกัน และการดื้อต่อเคมีบำบัดในผู้ป่วยมะเร็งตับอ่อนที่มีความเสี่ยงสูงและต่ำ
เราระบุคู่ DEirlncRNA 20 คู่และจัดกลุ่มผู้ป่วยตามค่าจุดตัดที่เหมาะสมที่สุดเราแสดงให้เห็นว่าแบบจำลองลายเซ็นการพยากรณ์โรคของเรามีประสิทธิภาพที่สำคัญในการทำนายการพยากรณ์โรคของผู้ป่วยที่มี PAADAUC ของกราฟ ROC คือ 0.905 สำหรับการคาดการณ์ 1 ปี 0.942 สำหรับการคาดการณ์ 2 ปี และ 0.966 สำหรับการคาดการณ์ 3 ปีผู้ป่วยที่มีความเสี่ยงสูงมีอัตราการรอดชีวิตต่ำกว่าและลักษณะทางคลินิกแย่ลงนอกจากนี้เรายังแสดงให้เห็นว่าผู้ป่วยที่มีความเสี่ยงสูงจะถูกกดภูมิคุ้มกันและอาจเกิดความต้านทานต่อการบำบัดด้วยภูมิคุ้มกันการประเมินยาต้านมะเร็ง เช่น ยาพาคลิทาเซล, โซราเฟนิบ และเออร์โลตินิบ โดยใช้เครื่องมือทำนายด้วยคอมพิวเตอร์อาจเหมาะสมสำหรับผู้ป่วยที่มีความเสี่ยงสูงที่มี PAAD
โดยรวมแล้ว การศึกษาของเราได้สร้างแบบจำลองความเสี่ยงในการพยากรณ์โรคใหม่โดยใช้ irlncRNA ที่จับคู่กัน ซึ่งแสดงให้เห็นคุณค่าของการพยากรณ์โรคที่ดีในผู้ป่วยมะเร็งตับอ่อนแบบจำลองความเสี่ยงในการพยากรณ์โรคของเราอาจช่วยแยกแยะผู้ป่วยที่มี PAAD ที่เหมาะสมสำหรับการรักษาพยาบาล
มะเร็งตับอ่อนเป็นเนื้องอกเนื้อร้ายที่มีอัตราการรอดชีวิตห้าปีต่ำและมีเกรดสูงในขณะที่วินิจฉัย ผู้ป่วยส่วนใหญ่อยู่ในระยะลุกลามแล้วในบริบทของการแพร่ระบาดของโควิด-19 แพทย์และพยาบาลอยู่ภายใต้แรงกดดันมหาศาลในการรักษาผู้ป่วยมะเร็งตับอ่อน และครอบครัวของผู้ป่วยก็เผชิญกับแรงกดดันหลายประการในการตัดสินใจในการรักษา [1, 2]แม้ว่าจะมีความก้าวหน้าอย่างมากในการรักษา DOAD เช่น การบำบัดด้วย neoadjuvant การผ่าตัด การฉายรังสี เคมีบำบัด การบำบัดด้วยโมเลกุลแบบกำหนดเป้าหมาย และสารยับยั้งจุดตรวจภูมิคุ้มกัน (ICIs) ผู้ป่วยเพียงประมาณ 9% เท่านั้นที่รอดชีวิตได้ห้าปีหลังจากการวินิจฉัย [3 ]], 4]เนื่องจากอาการเริ่มแรกของมะเร็งตับอ่อนของต่อมไม่ปกติ ผู้ป่วยจึงมักได้รับการวินิจฉัยว่ามีการแพร่กระจายในระยะลุกลาม [5]ดังนั้น สำหรับผู้ป่วยแต่ละราย การรักษาที่ครอบคลุมเป็นรายบุคคลจะต้องชั่งน้ำหนักข้อดีและข้อเสียของทางเลือกการรักษาทั้งหมด ไม่เพียงแต่เพื่อยืดอายุการรอดชีวิตเท่านั้น แต่ยังเพื่อปรับปรุงคุณภาพชีวิตด้วย [6]ดังนั้นจึงจำเป็นต้องมีแบบจำลองการทำนายที่มีประสิทธิผลเพื่อประเมินการพยากรณ์โรคของผู้ป่วยได้อย่างแม่นยำ [7]ดังนั้นจึงสามารถเลือกการรักษาที่เหมาะสมเพื่อสร้างสมดุลระหว่างการอยู่รอดและคุณภาพชีวิตของผู้ป่วย PAAD
การพยากรณ์โรคที่ไม่ดีของ PAAD สาเหตุหลักมาจากการดื้อยาเคมีบำบัดในช่วงไม่กี่ปีที่ผ่านมา สารยับยั้งจุดตรวจภูมิคุ้มกันถูกนำมาใช้กันอย่างแพร่หลายในการรักษาเนื้องอกที่เป็นก้อน [8]อย่างไรก็ตาม การใช้ ICIs ในมะเร็งตับอ่อนไม่ค่อยประสบผลสำเร็จ [9]ดังนั้นจึงเป็นสิ่งสำคัญที่จะต้องระบุผู้ป่วยที่อาจได้รับประโยชน์จากการบำบัดด้วย ICI
RNA แบบไม่เข้ารหัสแบบยาว (lncRNA) เป็น RNA แบบไม่เข้ารหัสชนิดหนึ่งที่มีการถอดเสียง> 200 นิวคลีโอไทด์LncRNAs แพร่หลายและเป็นประมาณ 80% ของ transcriptome ของมนุษย์ [10]งานจำนวนมากได้แสดงให้เห็นว่าแบบจำลองการพยากรณ์โรคที่ใช้ lncRNA สามารถทำนายการพยากรณ์โรคของผู้ป่วยได้อย่างมีประสิทธิภาพ [11, 12]ตัวอย่างเช่น มีการระบุ lncRNA ที่เกี่ยวข้องกับ autophagy 18 รายการเพื่อสร้างลายเซ็นการพยากรณ์โรคในมะเร็งเต้านม [13]lncRNA ที่เกี่ยวข้องกับภูมิคุ้มกันอีก 6 ชนิดถูกนำมาใช้เพื่อสร้างลักษณะการพยากรณ์โรคของเนื้องอกไกลโอมา (14)
ในมะเร็งตับอ่อน การศึกษาบางชิ้นได้สร้างลายเซ็นที่ใช้ lncRNA เพื่อทำนายการพยากรณ์โรคของผู้ป่วยลายเซ็น 3-lncRNA ถูกสร้างขึ้นในมะเร็งของต่อมในตับอ่อนโดยมีพื้นที่ใต้เส้นโค้ง ROC (AUC) เพียง 0.742 และการรอดชีวิตโดยรวม (OS) 3 ปี [15]นอกจากนี้ ค่าการแสดงออกของ lncRNA ยังแตกต่างกันไปตามจีโนม รูปแบบข้อมูล และผู้ป่วยที่แตกต่างกัน และประสิทธิภาพของแบบจำลองการทำนายก็ไม่เสถียรดังนั้นเราจึงใช้อัลกอริธึมการสร้างแบบจำลองใหม่ การจับคู่และการวนซ้ำ เพื่อสร้างลายเซ็น lncRNA (irlncRNA) ที่เกี่ยวข้องกับภูมิคุ้มกัน เพื่อสร้างแบบจำลองการทำนายที่แม่นยำและเสถียรยิ่งขึ้น [8]
ข้อมูล RNAseq ที่เป็นมาตรฐาน (FPKM) และข้อมูล TCGA ของมะเร็งตับอ่อนทางคลินิกและการแสดงออกของเนื้อเยื่อจีโนไทป์ (GTEx) ได้รับจากฐานข้อมูล UCSC XENA (https://xenabrowser.net/datapages/)ไฟล์ GTF ได้มาจากฐานข้อมูล Ensembl (//asia.ensembl.org) และใช้ในการแยกโปรไฟล์การแสดงออก lncRNA จาก RNAseqเราดาวน์โหลดยีนที่เกี่ยวข้องกับภูมิคุ้มกันจากฐานข้อมูล ImmPort (//www.immport.org) และระบุ lncRNAs ที่เกี่ยวข้องกับภูมิคุ้มกัน (irlncRNAs) โดยใช้การวิเคราะห์สหสัมพันธ์ (p <0.001, r > 0.4)การระบุ irlncRNAs ที่แสดงออกแตกต่างกัน (DEirlncRNAs) โดยการข้าม irlncRNAs และ lncRNAs ที่แสดงออกแตกต่างกันซึ่งได้รับจากฐานข้อมูล GEPIA2 (//gepia2.cancer-pku.cn/#index) ในกลุ่ม TCGA-PAAD (|logFC| > 1 และ FDR ) <0.05)
วิธีการนี้ได้รับการรายงานก่อนหน้านี้ [8]โดยเฉพาะ เราสร้าง X เพื่อแทนที่ lncRNA A และ lncRNA B ที่จับคู่กัน เมื่อค่านิพจน์ของ lncRNA A สูงกว่าค่านิพจน์ของ lncRNA B X จะถูกกำหนดเป็น 1 มิฉะนั้น X จะถูกกำหนดเป็น 0 ดังนั้นเราจึงสามารถได้รับ เมทริกซ์ 0 หรือ – 1 แกนแนวตั้งของเมทริกซ์แสดงถึงแต่ละตัวอย่าง และแกนนอนแสดงถึงคู่ DEirlncRNA แต่ละคู่ที่มีค่า 0 หรือ 1
การวิเคราะห์การถดถอยแบบตัวแปรเดียวตามด้วยการถดถอยแบบ Lasso ถูกนำมาใช้เพื่อคัดกรองคู่ DEirlncRNA ที่พยากรณ์โรคการวิเคราะห์การถดถอยแบบบ่วงบาศใช้การตรวจสอบความถูกต้องข้าม 10 เท่าซ้ำ 1,000 ครั้ง ( p < 0.05) พร้อมสิ่งเร้าแบบสุ่ม 1,000 ครั้งต่อการวิ่งเมื่อความถี่ของคู่ DEirlncRNA แต่ละคู่เกิน 100 ครั้งใน 1,000 รอบ คู่ DEirlncRNA จะถูกเลือกเพื่อสร้างแบบจำลองความเสี่ยงในการพยากรณ์โรคจากนั้นเราใช้เส้นโค้ง AUC เพื่อค้นหาค่าจุดตัดที่เหมาะสมที่สุดสำหรับจำแนกผู้ป่วย PAAD ออกเป็นกลุ่มที่มีความเสี่ยงสูงและต่ำค่า AUC ของแต่ละโมเดลยังได้รับการคำนวณและลงจุดเป็นเส้นโค้งด้วยหากเส้นโค้งถึงจุดสูงสุดซึ่งระบุค่า AUC สูงสุด กระบวนการคำนวณจะหยุดลงและแบบจำลองจะถือว่าเป็นตัวเลือกที่ดีที่สุดมีการสร้างแบบจำลองเส้นโค้ง ROC 1, 3 และ 5 ปีการวิเคราะห์การถดถอยแบบตัวแปรเดียวและหลายตัวแปรถูกนำมาใช้เพื่อตรวจสอบประสิทธิภาพการทำนายที่เป็นอิสระของแบบจำลองความเสี่ยงเชิงพยากรณ์
ใช้เครื่องมือเจ็ดอย่างเพื่อศึกษาอัตราการแทรกซึมของเซลล์ภูมิคุ้มกัน รวมถึง XCELL, TIMER, QUANTISEQ, MCPCOUNTER, EPIC, CIBERSORT-ABS และ CIBERSORTข้อมูลการแทรกซึมของเซลล์ภูมิคุ้มกันถูกดาวน์โหลดจากฐานข้อมูล TIMER2 (//timer.comp-genomics.org/#tab-5817-3)วิเคราะห์ความแตกต่างในเนื้อหาของเซลล์ที่แทรกซึมภูมิคุ้มกันระหว่างกลุ่มที่มีความเสี่ยงสูงและต่ำของแบบจำลองที่สร้างขึ้นโดยใช้การทดสอบอันดับลงนามของวิลคอกซัน ผลลัพธ์จะแสดงในกราฟสี่เหลี่ยมทำการวิเคราะห์สหสัมพันธ์สเปียร์แมนเพื่อวิเคราะห์ความสัมพันธ์ระหว่างค่าคะแนนความเสี่ยงและเซลล์ที่แทรกซึมเข้าไปในระบบภูมิคุ้มกันค่าสัมประสิทธิ์สหสัมพันธ์ที่ได้จะแสดงเป็นรูปอมยิ้มกำหนดเกณฑ์นัยสำคัญไว้ที่ p <0.05ขั้นตอนดำเนินการโดยใช้แพ็คเกจ R ggplot2ในการตรวจสอบความสัมพันธ์ระหว่างแบบจำลองและระดับการแสดงออกของยีนที่เกี่ยวข้องกับอัตราการแทรกซึมของเซลล์ภูมิคุ้มกัน เราได้ดำเนินการแพ็คเกจ ggstatsplot และการแสดงภาพพล็อตไวโอลิน
เพื่อประเมินรูปแบบการรักษาทางคลินิกสำหรับมะเร็งตับอ่อน เราได้คำนวณ IC50 ของยาเคมีบำบัดที่ใช้กันทั่วไปในกลุ่ม TCGA-PAADเปรียบเทียบความแตกต่างของความเข้มข้นในการยับยั้งครึ่งหนึ่ง (IC50) ระหว่างกลุ่มที่มีความเสี่ยงสูงและต่ำโดยใช้การทดสอบอันดับลงนามของ Wilcoxon และผลลัพธ์จะแสดงเป็น boxplots ที่สร้างโดยใช้ pRRophetic และ ggplot2 ใน R วิธีการทั้งหมดสอดคล้องกับแนวทางและบรรทัดฐานที่เกี่ยวข้อง
ขั้นตอนการทำงานของการศึกษาของเราแสดงในรูปที่ 1 โดยใช้การวิเคราะห์ความสัมพันธ์ระหว่าง lncRNAs และยีนที่เกี่ยวข้องกับภูมิคุ้มกัน เราเลือก 724 irlncRNAs ที่มี p <0.01 และ r > 0.4ต่อไปเราจะวิเคราะห์ lncRNAs ที่แสดงออกแตกต่างกันของ GEPIA2 (รูปที่ 2A)มีการแสดงออกที่แตกต่างกันทั้งหมด 223 irlncRNAs ระหว่างมะเร็งของต่อมตับอ่อนและเนื้อเยื่อตับอ่อนปกติ ( | logFC | > 1, FDR < 0.05) ชื่อ DEirlncRNAs
การสร้างแบบจำลองความเสี่ยงเชิงคาดการณ์( A ) พล็อตภูเขาไฟของ lncRNA ที่แสดงออกแตกต่างกัน( B ) การกระจายสัมประสิทธิ์บ่วงบาศสำหรับคู่ DEirlncRNA 20 คู่(C) ความแปรปรวนความน่าจะเป็นบางส่วนของการแจกแจงสัมประสิทธิ์ LASSO( D ) แปลงป่าไม้แสดงการวิเคราะห์การถดถอยแบบไม่แปรผันของคู่ DEirlncRNA 20 คู่
ต่อไปเราสร้างเมทริกซ์ 0 หรือ 1 โดยการจับคู่ 223 DEirlncRNAมีการระบุคู่ DEirlncRNA ทั้งหมด 13,687 คู่หลังจากการวิเคราะห์การถดถอยแบบไม่แปรผันและแบบบ่วงบาศ ในที่สุดคู่ DEirlncRNA 20 คู่ได้รับการทดสอบเพื่อสร้างแบบจำลองความเสี่ยงในการพยากรณ์โรค (รูปที่ 2B-D)จากผลลัพธ์ของ Lasso และการวิเคราะห์การถดถอยพหุคูณ เราคำนวณคะแนนความเสี่ยงสำหรับผู้ป่วยแต่ละรายในกลุ่ม TCGA-PAAD (ตารางที่ 1)จากผลลัพธ์ของการวิเคราะห์การถดถอยแบบบ่วงบาศ เราคำนวณคะแนนความเสี่ยงสำหรับผู้ป่วยแต่ละรายในกลุ่ม TCGA-PAADAUC ของกราฟ ROC อยู่ที่ 0.905 สำหรับการคาดการณ์แบบจำลองความเสี่ยง 1 ปี 0.942 สำหรับการคาดการณ์ 2 ปี และ 0.966 สำหรับการคาดการณ์ 3 ปี (รูปที่ 3A-B)เราตั้งค่าจุดตัดที่เหมาะสมที่สุดที่ 3.105 แบ่งกลุ่มผู้ป่วยตามรุ่น TCGA-PAAD ออกเป็นกลุ่มที่มีความเสี่ยงสูงและต่ำ และวางแผนผลลัพธ์การรอดชีวิตและการกระจายคะแนนความเสี่ยงสำหรับผู้ป่วยแต่ละราย (รูปที่ 3C-E)การวิเคราะห์ของ Kaplan-Meier แสดงให้เห็นว่าการรอดชีวิตของผู้ป่วย PAAD ในกลุ่มที่มีความเสี่ยงสูงนั้นต่ำกว่าผู้ป่วยในกลุ่มที่มีความเสี่ยงต่ำอย่างมีนัยสำคัญ (p < 0.001) (รูปที่ 3F)
ความถูกต้องของแบบจำลองความเสี่ยงเชิงพยากรณ์(A) ROC ของแบบจำลองความเสี่ยงเชิงพยากรณ์(B) แบบจำลองความเสี่ยงการพยากรณ์โรค ROC 1, 2 และ 3 ปี(C) ROC ของแบบจำลองความเสี่ยงเชิงพยากรณ์แสดงจุดตัดที่เหมาะสมที่สุด(DE) การกระจายสถานะการอยู่รอด (D) และคะแนนความเสี่ยง (E)(F) การวิเคราะห์ Kaplan-Meier ของผู้ป่วย PAAD ในกลุ่มที่มีความเสี่ยงสูงและต่ำ
เรายังประเมินความแตกต่างของคะแนนความเสี่ยงตามลักษณะทางคลินิกเพิ่มเติมแผนภูมิแถบ (รูปที่ 4A) แสดงความสัมพันธ์โดยรวมระหว่างคุณลักษณะทางคลินิกและคะแนนความเสี่ยงโดยเฉพาะผู้ป่วยสูงอายุมีคะแนนความเสี่ยงสูงกว่า (รูปที่ 4B)นอกจากนี้ ผู้ป่วยระยะที่ 2 มีคะแนนความเสี่ยงสูงกว่าผู้ป่วยระยะที่ 1 (รูปที่ 4C)ในส่วนของระดับเนื้องอกในผู้ป่วย PAAD ผู้ป่วยระดับ 3 มีคะแนนความเสี่ยงสูงกว่าผู้ป่วยระดับ 1 และ 2 (รูปที่ 4D)เราทำการวิเคราะห์การถดถอยแบบหลายตัวแปรและแบบหลายตัวแปรเพิ่มเติม และแสดงให้เห็นว่าคะแนนความเสี่ยง (p < 0.001) และอายุ (p = 0.045) เป็นปัจจัยพยากรณ์โรคที่เป็นอิสระในผู้ป่วย PAAD (รูปที่ 5A-B)กราฟ ROC แสดงให้เห็นว่าคะแนนความเสี่ยงเหนือกว่าลักษณะทางคลินิกอื่นๆ ในการทำนายการรอดชีวิตของผู้ป่วยที่มี PAAD เป็นเวลา 1, 2 และ 3 ปี (รูปที่ 5C-E)
ลักษณะทางคลินิกของแบบจำลองความเสี่ยงในการพยากรณ์โรคฮิสโตแกรม (A) แสดง (B) อายุ (C) ระยะเนื้องอก (D) ระดับเนื้องอก คะแนนความเสี่ยง และเพศของผู้ป่วยในกลุ่ม TCGA-PAAD**พี < 0.01
การวิเคราะห์เชิงคาดการณ์ที่เป็นอิสระของแบบจำลองความเสี่ยงเชิงพยากรณ์(AB) การวิเคราะห์การถดถอยแบบ Univariate (A) และหลายตัวแปร (B) ของแบบจำลองความเสี่ยงการพยากรณ์โรคและลักษณะทางคลินิก(CE) ROC 1, 2 และ 3 ปีสำหรับแบบจำลองความเสี่ยงในการพยากรณ์โรคและลักษณะทางคลินิก
ดังนั้นเราจึงตรวจสอบความสัมพันธ์ระหว่างเวลาและคะแนนความเสี่ยงเราพบว่าคะแนนความเสี่ยงในผู้ป่วย PAAD มีความสัมพันธ์แบบผกผันกับเซลล์ CD8 + T และเซลล์ NK (รูปที่ 6A) ซึ่งบ่งชี้ว่าการทำงานของระบบภูมิคุ้มกันถูกระงับในกลุ่มที่มีความเสี่ยงสูงนอกจากนี้เรายังประเมินความแตกต่างในการแทรกซึมของเซลล์ภูมิคุ้มกันระหว่างกลุ่มที่มีความเสี่ยงสูงและต่ำ และพบผลลัพธ์เดียวกัน (รูปที่ 7)มีการแทรกซึมของ CD8+ ทีเซลล์และเซลล์ NK ในกลุ่มที่มีความเสี่ยงสูงน้อยกว่าในช่วงไม่กี่ปีที่ผ่านมา สารยับยั้งจุดตรวจภูมิคุ้มกัน (ICIs) ถูกนำมาใช้กันอย่างแพร่หลายในการรักษาเนื้องอกที่เป็นก้อนอย่างไรก็ตาม การใช้ ICIs ในมะเร็งตับอ่อนไม่ค่อยประสบผลสำเร็จดังนั้นเราจึงประเมินการแสดงออกของยีนจุดตรวจภูมิคุ้มกันในกลุ่มที่มีความเสี่ยงสูงและต่ำเราพบว่า CTLA-4 และ CD161 (KLRB1) มีการแสดงออกมากเกินไปในกลุ่มที่มีความเสี่ยงต่ำ (รูปที่ 6B-G) ซึ่งบ่งชี้ว่าผู้ป่วย PAAD ในกลุ่มที่มีความเสี่ยงต่ำอาจมีความไวต่อ ICI
การวิเคราะห์ความสัมพันธ์ของแบบจำลองความเสี่ยงเชิงพยากรณ์และการแทรกซึมของเซลล์ภูมิคุ้มกัน( A ) ความสัมพันธ์ระหว่างแบบจำลองความเสี่ยงการพยากรณ์โรคและการแทรกซึมของเซลล์ภูมิคุ้มกัน(BG) บ่งชี้การแสดงออกของยีนในกลุ่มเสี่ยงสูงและต่ำ(HK) ค่า IC50 สำหรับยาต้านมะเร็งเฉพาะกลุ่มในกลุ่มเสี่ยงสูงและต่ำ*p < 0.05, **p < 0.01, ns = ไม่มีนัยสำคัญ
เรายังประเมินความสัมพันธ์ระหว่างคะแนนความเสี่ยงกับยาเคมีบำบัดทั่วไปในกลุ่ม TCGA-PAADเราค้นหายาต้านมะเร็งที่ใช้กันทั่วไปในมะเร็งตับอ่อน และวิเคราะห์ความแตกต่างในค่า IC50 ระหว่างกลุ่มที่มีความเสี่ยงสูงและต่ำผลการศึกษาพบว่าค่า IC50 ของ AZD.2281 (โอลาพาริบ) สูงกว่าในกลุ่มที่มีความเสี่ยงสูง บ่งชี้ว่าผู้ป่วย PAAD ในกลุ่มที่มีความเสี่ยงสูงอาจต้านทานต่อการรักษาด้วย AZD.2281 (รูปที่ 6H)นอกจากนี้ ค่า IC50 ของยา paclitaxel, sorafenib และ erlotinib ยังต่ำกว่าในกลุ่มที่มีความเสี่ยงสูง (รูปที่ 6I-K)นอกจากนี้เรายังระบุยาต้านมะเร็ง 34 รายการที่มีค่า IC50 สูงกว่าในกลุ่มที่มีความเสี่ยงสูง และยาต้านมะเร็ง 34 รายการที่มีค่า IC50 ต่ำกว่าในกลุ่มที่มีความเสี่ยงสูง (ตารางที่ 2)
ไม่สามารถปฏิเสธได้ว่า lncRNAs, mRNAs และ miRNAs มีอยู่อย่างกว้างขวางและมีบทบาทสำคัญในการพัฒนาของมะเร็งมีหลักฐานเพียงพอที่สนับสนุนบทบาทสำคัญของ mRNA หรือ miRNA ในการทำนายอัตราการรอดชีวิตโดยรวมของมะเร็งหลายประเภทไม่ต้องสงสัยเลยว่าแบบจำลองความเสี่ยงในการพยากรณ์โรคจำนวนมากก็ใช้ lncRNA เช่นกันตัวอย่างเช่น Luo และคณะการศึกษาแสดงให้เห็นว่า LINC01094 มีบทบาทสำคัญในการเพิ่มจำนวน PC และการแพร่กระจายของเนื้อร้าย และการแสดงออกที่สูงของ LINC01094 บ่งชี้ว่าผู้ป่วยมะเร็งตับอ่อนรอดชีวิตได้ไม่ดี [16]การศึกษาที่นำเสนอโดย Lin และคณะการศึกษาพบว่าการลดลงของ lncRNA FLVCR1-AS1 มีความสัมพันธ์กับการพยากรณ์โรคที่ไม่ดีในผู้ป่วยมะเร็งตับอ่อน [17]อย่างไรก็ตาม lncRNA ที่เกี่ยวข้องกับภูมิคุ้มกันนั้นมีการพูดคุยกันค่อนข้างน้อยในแง่ของการทำนายความอยู่รอดโดยรวมของผู้ป่วยโรคมะเร็งเมื่อเร็ว ๆ นี้งานจำนวนมากมุ่งเน้นไปที่การสร้างแบบจำลองความเสี่ยงในการพยากรณ์โรคเพื่อทำนายความอยู่รอดของผู้ป่วยโรคมะเร็งและด้วยเหตุนี้จึงปรับวิธีการรักษา [18, 19, 20]มีการรับรู้เพิ่มมากขึ้นถึงบทบาทสำคัญของการแทรกซึมของระบบภูมิคุ้มกันในการเริ่มต้น การลุกลาม และการตอบสนองต่อการรักษา เช่น เคมีบำบัดการศึกษาจำนวนมากยืนยันว่าเซลล์ภูมิคุ้มกันที่แทรกซึมเข้าไปในเนื้องอกมีบทบาทสำคัญในการตอบสนองต่อเคมีบำบัดที่เป็นพิษต่อเซลล์ [21, 22, 23]สภาพแวดล้อมจุลภาคของภูมิคุ้มกันของเนื้องอกเป็นปัจจัยสำคัญในการอยู่รอดของผู้ป่วยเนื้องอก [24, 25]การบำบัดด้วยภูมิคุ้มกัน โดยเฉพาะการบำบัดด้วย ICI มีการใช้กันอย่างแพร่หลายในการรักษาเนื้องอกที่เป็นก้อน [26]ยีนที่เกี่ยวข้องกับภูมิคุ้มกันถูกนำมาใช้กันอย่างแพร่หลายเพื่อสร้างแบบจำลองความเสี่ยงในการพยากรณ์โรคตัวอย่างเช่น Su และคณะแบบจำลองความเสี่ยงการพยากรณ์โรคที่เกี่ยวข้องกับภูมิคุ้มกันนั้นขึ้นอยู่กับยีนเข้ารหัสโปรตีนเพื่อทำนายการพยากรณ์โรคของผู้ป่วยมะเร็งรังไข่ [27]ยีนที่ไม่เข้ารหัสเช่น lncRNA ยังเหมาะสำหรับการสร้างแบบจำลองความเสี่ยงในการพยากรณ์โรค [28, 29, 30]Luo และคณะทดสอบ lncRNA ที่เกี่ยวข้องกับภูมิคุ้มกัน 4 ตัว และสร้างแบบจำลองการทำนายสำหรับความเสี่ยงมะเร็งปากมดลูก [31]ข่านและคณะมีการระบุหลักฐานการถอดเสียงที่แสดงออกมาแตกต่างกันทั้งหมด 32 รายการ และจากข้อมูลนี้ แบบจำลองการทำนายที่มีการบันทึกที่มีนัยสำคัญ 5 รายการได้ถูกสร้างขึ้น ซึ่งได้รับการเสนอให้เป็นเครื่องมือที่แนะนำเป็นอย่างยิ่งสำหรับการทำนายการปฏิเสธเฉียบพลันที่ได้รับการพิสูจน์โดยการตรวจชิ้นเนื้อหลังการปลูกถ่ายไต [32]
แบบจำลองเหล่านี้ส่วนใหญ่ขึ้นอยู่กับระดับการแสดงออกของยีน ไม่ว่าจะเป็นยีนเข้ารหัสโปรตีนหรือยีนที่ไม่เข้ารหัสอย่างไรก็ตาม ยีนเดียวกันสามารถมีค่าการแสดงออกที่แตกต่างกันในจีโนม รูปแบบข้อมูล และในผู้ป่วยที่แตกต่างกัน ส่งผลให้การประมาณค่าไม่เสถียรในแบบจำลองการทำนายในการศึกษานี้ เราได้สร้างแบบจำลองที่สมเหตุสมผลด้วย lncRNA สองคู่ โดยไม่ขึ้นกับค่านิพจน์ที่แน่นอน
ในการศึกษานี้ เราระบุ irlncRNA เป็นครั้งแรกผ่านการวิเคราะห์สหสัมพันธ์กับยีนที่เกี่ยวข้องกับภูมิคุ้มกันเราคัดกรอง DEirlncRNA จำนวน 223 รายการโดยการไฮบริดด้วย lncRNA ที่แสดงออกแตกต่างกันประการที่สอง เราสร้างเมทริกซ์ 0 หรือ 1 ตามวิธีจับคู่ DEirlncRNA ที่เผยแพร่ [31]จากนั้นเราทำการวิเคราะห์การถดถอยแบบตัวแปรเดียวและแบบบ่วงบาศเพื่อระบุคู่ DEirlncRNA ที่พยากรณ์โรคและสร้างแบบจำลองความเสี่ยงเชิงคาดการณ์เรายังวิเคราะห์ความสัมพันธ์ระหว่างคะแนนความเสี่ยงและลักษณะทางคลินิกในผู้ป่วย PAAD เพิ่มเติมเราพบว่าแบบจำลองความเสี่ยงในการพยากรณ์โรคของเรา ซึ่งเป็นปัจจัยพยากรณ์โรคอิสระในผู้ป่วย PAAD สามารถแยกแยะผู้ป่วยระดับสูงจากผู้ป่วยเกรดต่ำ และผู้ป่วยระดับสูงจากผู้ป่วยเกรดต่ำได้อย่างมีประสิทธิภาพนอกจากนี้ ค่า AUC ของกราฟ ROC ของแบบจำลองความเสี่ยงเชิงพยากรณ์คือ 0.905 สำหรับการคาดการณ์ 1 ปี, 0.942 สำหรับการคาดการณ์ 2 ปี และ 0.966 สำหรับการคาดการณ์ 3 ปี
นักวิจัยรายงานว่าผู้ป่วยที่มีการแทรกซึมของ CD8+ T สูงกว่ามีความไวต่อการรักษาด้วย ICI มากกว่า [33]การเพิ่มขึ้นของเนื้อหาของเซลล์พิษต่อเซลล์, เซลล์ CD56 NK, เซลล์ NK และเซลล์ CD8+ T ในสภาพแวดล้อมจุลภาคของภูมิคุ้มกันของเนื้องอกอาจเป็นเหตุผลหนึ่งสำหรับผลการปราบปรามของเนื้องอก [34]การศึกษาก่อนหน้านี้แสดงให้เห็นว่าระดับ CD4(+) T และ CD8(+) T ที่แทรกซึมเข้าไปในเนื้องอกในระดับที่สูงขึ้นมีความสัมพันธ์อย่างมีนัยสำคัญกับการรอดชีวิตที่ยาวนานขึ้น [35]การแทรกซึมของ CD8 T เซลล์ที่ไม่ดี ปริมาณนีโอแอนติเจนต่ำ และสภาพแวดล้อมจุลภาคของเนื้องอกที่มีภูมิคุ้มกันต่ำสูง นำไปสู่การขาดการตอบสนองต่อการรักษาด้วย ICI [36]เราพบว่าคะแนนความเสี่ยงมีความสัมพันธ์เชิงลบกับ CD8+ ทีเซลล์และเซลล์ NK ซึ่งบ่งชี้ว่าผู้ป่วยที่มีคะแนนความเสี่ยงสูงอาจไม่เหมาะสำหรับการรักษาด้วย ICI และมีการพยากรณ์โรคที่แย่ลง
CD161 เป็นเครื่องหมายของเซลล์นักฆ่าตามธรรมชาติ (NK)CD8+CD161+ ทีเซลล์ที่ทรานส์ดิวซ์ด้วย CAR เป็นสื่อกลางในประสิทธิภาพการต้านเนื้องอกในร่างกายที่ได้รับการปรับปรุงในโมเดล xenograft มะเร็งท่อน้ำดีของตับอ่อน HER2+สารยับยั้งจุดตรวจภูมิคุ้มกันมุ่งเป้าวิถีโปรตีนที่เกี่ยวข้องกับทีลิมโฟไซต์ที่เป็นพิษต่อเซลล์ 4 (CTLA-4) และโปรตีนการตายของเซลล์ที่ถูกโปรแกรมไว้ 1 (PD-1)/วิถีทางลิแกนด์การตายของเซลล์ที่ถูกโปรแกรมไว้ 1 (PD-L1) และมีศักยภาพที่ดีในหลายพื้นที่การแสดงออกของ CTLA-4 และ CD161 (KLRB1) ต่ำกว่าในกลุ่มที่มีความเสี่ยงสูง ซึ่งบ่งชี้เพิ่มเติมว่าผู้ป่วยที่มีคะแนนความเสี่ยงสูงอาจไม่มีสิทธิ์ได้รับการรักษาด้วย ICI[38]
เพื่อค้นหาทางเลือกการรักษาที่เหมาะสมสำหรับผู้ป่วยที่มีความเสี่ยงสูง เราได้วิเคราะห์ยาต้านมะเร็งหลายชนิดและพบว่ายา paclitaxel, sorafenib และ erlotinib ซึ่งใช้กันอย่างแพร่หลายในผู้ป่วยที่มี PAAD อาจเหมาะสมกับผู้ป่วยที่มี PAAD ที่มีความเสี่ยงสูง[33].Zhang และคณะพบว่าการกลายพันธุ์ในวิถีการตอบสนองต่อความเสียหายของ DNA (DDR) สามารถนำไปสู่การพยากรณ์โรคที่ไม่ดีในผู้ป่วยมะเร็งต่อมลูกหมาก [39]การทดลอง Olaparib Ongoing (POLO) ของมะเร็งตับอ่อนแสดงให้เห็นว่าการรักษาด้วย olaparib อย่างต่อเนื่องจะช่วยยืดอายุการรอดชีวิตโดยปราศจากการลุกลามเมื่อเปรียบเทียบกับยาหลอกหลังการรักษาด้วยเคมีบำบัดที่ใช้แพลตตินัมบรรทัดแรกในผู้ป่วยมะเร็งท่อน้ำดีของตับอ่อนและการกลายพันธุ์ BRCA1/2 ของเจิร์มไลน์ [40]นี่เป็นการมองโลกในแง่ดีอย่างมีนัยสำคัญว่าผลการรักษาจะดีขึ้นอย่างมีนัยสำคัญในกลุ่มย่อยของผู้ป่วยกลุ่มนี้ในการศึกษานี้ ค่า IC50 ของ AZD.2281 (olaparib) สูงกว่าในกลุ่มที่มีความเสี่ยงสูง แสดงให้เห็นว่าผู้ป่วย PAAD ในกลุ่มที่มีความเสี่ยงสูงอาจดื้อต่อการรักษาด้วย AZD.2281
แบบจำลองการคาดการณ์ในการศึกษานี้ให้ผลการคาดการณ์ที่ดี แต่จะขึ้นอยู่กับการคาดการณ์เชิงวิเคราะห์วิธียืนยันผลลัพธ์เหล่านี้ด้วยข้อมูลทางคลินิกถือเป็นคำถามที่สำคัญอัลตราซาวนด์ด้วยการส่องกล้องด้วยเข็มละเอียด (EUS-FNA) ได้กลายเป็นวิธีการที่ขาดไม่ได้ในการวินิจฉัยรอยโรคตับอ่อนที่เป็นก้อนและนอกตับอ่อนด้วยความไว 85% และความจำเพาะ 98% [41]การเกิดขึ้นของเข็มตรวจชิ้นเนื้อแบบเข็มละเอียด EUS (EUS-FNB) นั้นมีพื้นฐานมาจากข้อดีที่รับรู้ได้เหนือ FNA เป็นหลัก เช่น ความแม่นยำในการวินิจฉัยที่สูงขึ้น การได้รับตัวอย่างที่รักษาโครงสร้างทางเนื้อเยื่อวิทยา และสร้างเนื้อเยื่อภูมิคุ้มกันที่มีความสำคัญต่อการวินิจฉัยบางอย่างการย้อมสีพิเศษ [42]การทบทวนวรรณกรรมอย่างเป็นระบบยืนยันว่าเข็ม FNB (โดยเฉพาะ 22G) แสดงให้เห็นถึงประสิทธิภาพสูงสุดในการเก็บเกี่ยวเนื้อเยื่อจากมวลตับอ่อน [43]ในทางคลินิก มีผู้ป่วยเพียงไม่กี่รายเท่านั้นที่มีสิทธิ์ได้รับการผ่าตัดขั้นรุนแรง และผู้ป่วยส่วนใหญ่มีเนื้องอกที่ผ่าตัดไม่ได้ในขณะที่ได้รับการวินิจฉัยเบื้องต้นในการปฏิบัติทางคลินิก มีผู้ป่วยเพียงส่วนน้อยเท่านั้นที่เหมาะสำหรับการผ่าตัดแบบรุนแรง เนื่องจากผู้ป่วยส่วนใหญ่มีเนื้องอกที่ผ่าตัดไม่ได้ในขณะที่วินิจฉัยเบื้องต้นหลังจากการยืนยันทางพยาธิวิทยาโดย EUS-FNB และวิธีการอื่น ๆ มักจะเลือกการรักษาที่ได้มาตรฐานโดยไม่ต้องผ่าตัด เช่น เคมีบำบัดโปรแกรมการวิจัยครั้งต่อไปของเราคือการทดสอบแบบจำลองการพยากรณ์โรคของการศึกษานี้ในกลุ่มผู้ป่วยที่ผ่าตัดและไม่ผ่าตัดผ่านการวิเคราะห์ย้อนหลัง
โดยรวมแล้ว การศึกษาของเราได้สร้างแบบจำลองความเสี่ยงในการพยากรณ์โรคใหม่โดยใช้ irlncRNA ที่จับคู่กัน ซึ่งแสดงให้เห็นคุณค่าของการพยากรณ์โรคที่ดีในผู้ป่วยมะเร็งตับอ่อนแบบจำลองความเสี่ยงในการพยากรณ์โรคของเราอาจช่วยแยกแยะผู้ป่วยที่มี PAAD ที่เหมาะสมสำหรับการรักษาพยาบาล
ชุดข้อมูลที่ใช้และวิเคราะห์ในการศึกษาปัจจุบันมีให้จากผู้เขียนที่เกี่ยวข้องตามคำขอที่สมเหตุสมผล
Sui Wen, Gong X, Zhuang Y. บทบาทไกล่เกลี่ยของการรับรู้ความสามารถตนเองในการควบคุมอารมณ์ของอารมณ์เชิงลบในช่วงการระบาดของ COVID-19: การศึกษาแบบภาคตัดขวางInt J Ment Health Nurs [บทความวารสาร]2021 06/01/2021;30(3):759–71.
ซุยเหวิน, กง X, เฉียว X, จาง L, เฉิงเจ, ดงเจ และคณะมุมมองของสมาชิกในครอบครัวต่อการตัดสินใจทางเลือกในหอผู้ป่วยหนัก: การทบทวนอย่างเป็นระบบINT J NURS STUD [บทความในนิตยสาร;ทบทวน].2023 01/01/2023;137:104391.
Vincent A, Herman J, Schulich R, Hruban RH, Goggins M. มะเร็งตับอ่อนมีดหมอ[บทความวารสาร;การสนับสนุนการวิจัย NIH ภายนอก;การสนับสนุนการวิจัย รัฐบาลนอกสหรัฐอเมริกาทบทวน].2011 13/08/2011;378(9791):607–20.
Ilic M, Ilic I. ระบาดวิทยาของมะเร็งตับอ่อนวารสารโลกของระบบทางเดินอาหาร.[บทความวารสาร, บทวิจารณ์].28/11/2559 2016;22(44):9694–705.
Liu X, Chen B, Chen J, Sun S. โนโมแกรมที่เกี่ยวข้องกับ tp53 ใหม่สำหรับการทำนายความอยู่รอดโดยรวมในผู้ป่วยมะเร็งตับอ่อนBMC Cancer [บทความวารสาร]31-03-2021 2021;21(1):335.
Xian X, Zhu X, Chen Y, Huang B, Xiang W. ผลของการบำบัดแบบเน้นการแก้ปัญหาต่อความเหนื่อยล้าที่เกี่ยวข้องกับมะเร็งในผู้ป่วยมะเร็งลำไส้ใหญ่ที่ได้รับเคมีบำบัด: การทดลองแบบสุ่มที่มีกลุ่มควบคุมพยาบาลโรคมะเร็ง.[บทความวารสาร;สุ่มทดลองควบคุม;การศึกษานี้ได้รับการสนับสนุนจากรัฐบาลนอกสหรัฐอเมริกา]2022 05/01/2022;45(3):E663–73.
Zhang Cheng, Zheng Wen, Lu Y, Shan L, Xu Dong, Pan Y และคณะระดับแอนติเจนของคาร์ซิโนเอ็มบริโอนิก (CEA) หลังการผ่าตัดทำนายผลลัพธ์หลังการผ่าตัดมะเร็งลำไส้ใหญ่และทวารหนักในผู้ป่วยที่มีระดับ CEA ก่อนการผ่าตัดตามปกติศูนย์วิจัยมะเร็งการแปล[บทความวารสาร].2020 01.01.2020;9(1):111–8.
Hong Wen, Liang Li, Gu Yu, Qi Zi, Qiu Hua, Yang X และอื่น ๆlncRNA ที่เกี่ยวข้องกับภูมิคุ้มกันสร้างลายเซ็นใหม่และทำนายภูมิทัศน์ภูมิคุ้มกันของมะเร็งเซลล์ตับของมนุษย์โมลเธอกรดนิวคลีอิก [บทความวารสาร]2020 2020-12-04;22:937 – 47.
Toffey RJ, Zhu Y., Schulich RD การบำบัดด้วยภูมิคุ้มกันสำหรับมะเร็งตับอ่อน: อุปสรรคและความก้าวหน้าแอน ศัลยแพทย์ระบบทางเดินอาหาร [บทความวารสาร;ทบทวน].2018 07/01/2018;2(4):274–81.
Hull R, Mbita Z, Dlamini Z. RNA ที่ไม่ได้เข้ารหัส (LncRNAs), จีโนมของเนื้องอกของไวรัสและเหตุการณ์การประกบที่ผิดปกติ: ผลกระทบทางการรักษาAM J CANCER RES [บทความในวารสาร;ทบทวน].2021/01/2021;11(3):866–83.
Wang J, Chen P, Zhang Y, Ding J, Yang Y, Li H. 11-การระบุลายเซ็น lncRNA ที่เกี่ยวข้องกับการพยากรณ์โรคมะเร็งเยื่อบุโพรงมดลูกความสำเร็จของวิทยาศาสตร์ [บทความในนิตยสาร]2021 2021-01-01;104(1):311977089.
Jiang S, Ren H, Liu S, Lu Z, Xu A, Qin S, และคณะการวิเคราะห์ที่ครอบคลุมของยีนพยากรณ์โรคโปรตีนที่จับกับ RNA และผู้สมัครยาในมะเร็งเซลล์ไต papillaryพรีเจน[บทความวารสาร].2021/01/2021;12:627508.
Li X, Chen J, Yu Q, Huang X, Liu Z, Wang X และอื่น ๆลักษณะของ RNA ที่ไม่เข้ารหัสยาวที่เกี่ยวข้องกับ autophagy ทำนายการพยากรณ์โรคมะเร็งเต้านมพรีเจน[บทความวารสาร].2021 20/01/2021;12:569318.
Zhou M, Zhang Z, Zhao X, Bao S, Cheng L, Sun J. ลายเซ็นหก lncRNA ที่เกี่ยวข้องกับภูมิคุ้มกันช่วยปรับปรุงการพยากรณ์โรคใน glioblastoma multiformeพ.ล. ประสาทชีววิทยา.[บทความวารสาร].2018 01.05.2018;55(5):3684–97.
Wu B, Wang Q, Fei J, Bao Y, Wang X, เพลง Z, และคณะลายเซ็น tri-lncRNA ใหม่ทำนายความอยู่รอดของผู้ป่วยมะเร็งตับอ่อนผู้แทน สงกล.[บทความวารสาร].2018 12/01/2018;40(6):3427–37.
Luo C, Lin K, Hu C, Zhu X, Zhu J, Zhu Z. LINC01094 ส่งเสริมการลุกลามของมะเร็งตับอ่อนโดยควบคุมการแสดงออกของ LIN28B และทางเดิน PI3K / AKT ผ่านฟองน้ำ miR-577การบำบัดด้วยโมล – กรดนิวคลีอิก2021;26:523–35.
Lin J, Zhai X, Zou S, Xu Z, Zhang J, Jiang L และคณะผลตอบรับเชิงบวกระหว่าง lncRNA FLVCR1-AS1 และ KLF10 อาจยับยั้งการลุกลามของมะเร็งตับอ่อนผ่านทาง PTEN/AKTJ EXP คลินิกมะเร็ง Res.2021;40(1)
Zhou X, Liu X, Zeng X, Wu D, Liu L. การจำแนกยีนสิบสามยีนที่ทำนายความอยู่รอดโดยรวมในมะเร็งเซลล์ตับตัวแทน Biosci [บทความวารสาร]2021 04/09/2021.