มะเร็งตับอ่อนเป็นหนึ่งในเนื้องอกที่ร้ายแรงที่สุดในโลกและมีพยากรณ์โรคที่ไม่ดี ดังนั้นจึงจำเป็นต้องมีแบบจำลองการทำนายที่แม่นยำเพื่อระบุผู้ป่วยที่มีความเสี่ยงสูงต่อมะเร็งตับอ่อน เพื่อปรับวิธีการรักษาและปรับปรุงพยากรณ์โรคของผู้ป่วยเหล่านี้
เราได้ข้อมูล RNAseq ของมะเร็งตับอ่อน (PAAD) จากฐานข้อมูล UCSC Xena ของโครงการ The Cancer Genome Atlas (TCGA) ระบุ lncRNA ที่เกี่ยวข้องกับภูมิคุ้มกัน (irlncRNA) ผ่านการวิเคราะห์ความสัมพันธ์ และระบุความแตกต่างระหว่างเนื้อเยื่อมะเร็งตับอ่อนจาก TCGA กับเนื้อเยื่อมะเร็งตับอ่อนปกติ จากนั้นจึงทำการวิเคราะห์การถดถอยแบบตัวแปรเดียวและแบบ lasso เพื่อสร้างแบบจำลองการพยากรณ์โรค ต่อมาเราคำนวณพื้นที่ใต้เส้นโค้งและกำหนดค่าตัดที่เหมาะสมที่สุดสำหรับการระบุผู้ป่วยมะเร็งตับอ่อนที่มีความเสี่ยงสูงและต่ำ เพื่อเปรียบเทียบคุณลักษณะทางคลินิก การแทรกซึมของเซลล์ภูมิคุ้มกัน สภาพแวดล้อมจุลภาคที่กดภูมิคุ้มกัน และความต้านทานต่อเคมีบำบัดในผู้ป่วยมะเร็งตับอ่อนที่มีความเสี่ยงสูงและต่ำ
เราได้ระบุคู่ DEirlncRNA จำนวน 20 คู่ และจัดกลุ่มผู้ป่วยตามค่าจุดตัดที่เหมาะสมที่สุด เราได้แสดงให้เห็นว่าแบบจำลองลายเซ็นการพยากรณ์โรคของเรามีประสิทธิภาพอย่างมีนัยสำคัญในการทำนายการพยากรณ์โรคของผู้ป่วยที่เป็นมะเร็งตับอ่อน (PAAD) ค่า AUC ของเส้นโค้ง ROC คือ 0.905 สำหรับการพยากรณ์ 1 ปี 0.942 สำหรับการพยากรณ์ 2 ปี และ 0.966 สำหรับการพยากรณ์ 3 ปี ผู้ป่วยที่มีความเสี่ยงสูงมีอัตราการรอดชีวิตต่ำกว่าและลักษณะทางคลินิกแย่กว่า นอกจากนี้เรายังแสดงให้เห็นว่าผู้ป่วยที่มีความเสี่ยงสูงมีภาวะภูมิคุ้มกันบกพร่องและอาจเกิดการดื้อต่อภูมิคุ้มกันบำบัด การประเมินยาต้านมะเร็ง เช่น แพคลิแท็กเซล โซราเฟนิบ และเออร์โลตินิบ โดยใช้เครื่องมือการพยากรณ์ด้วยคอมพิวเตอร์ อาจเหมาะสมสำหรับผู้ป่วยที่เป็นมะเร็งตับอ่อน (PAAD) ที่มีความเสี่ยงสูง
โดยสรุปแล้ว การศึกษาของเราได้สร้างแบบจำลองความเสี่ยงในการพยากรณ์โรคแบบใหม่โดยอาศัย irlncRNA ที่จับคู่กัน ซึ่งแสดงให้เห็นถึงคุณค่าในการพยากรณ์โรคที่มีแนวโน้มที่ดีในผู้ป่วยมะเร็งตับอ่อน แบบจำลองความเสี่ยงในการพยากรณ์โรคของเราอาจช่วยจำแนกผู้ป่วย PAAD ที่เหมาะสมสำหรับการรักษาด้วยยาได้
มะเร็งตับอ่อนเป็นเนื้องอกร้ายที่มีอัตราการรอดชีวิต 5 ปีต่ำและมีระดับความรุนแรงสูง ผู้ป่วยส่วนใหญ่อยู่ในระยะลุกลามแล้วเมื่อได้รับการวินิจฉัย ในบริบทของการระบาดของ COVID-19 แพทย์และพยาบาลอยู่ภายใต้แรงกดดันอย่างมากในการรักษาผู้ป่วยมะเร็งตับอ่อน และครอบครัวของผู้ป่วยก็เผชิญกับแรงกดดันหลายประการในการตัดสินใจเกี่ยวกับการรักษา [1, 2] แม้ว่าจะมีความก้าวหน้าอย่างมากในการรักษา DOADs เช่น การบำบัดก่อนการผ่าตัด การผ่าตัด การฉายรังสี เคมีบำบัด การบำบัดด้วยโมเลกุลเป้าหมาย และสารยับยั้งจุดตรวจภูมิคุ้มกัน (ICIs) แต่มีผู้ป่วยเพียงประมาณ 9% เท่านั้นที่รอดชีวิต 5 ปีหลังการวินิจฉัย [3, 4] เนื่องจากอาการเริ่มต้นของมะเร็งตับอ่อนมักไม่ชัดเจน ผู้ป่วยมักได้รับการวินิจฉัยว่ามีการแพร่กระจายในระยะลุกลาม [5] ดังนั้น สำหรับผู้ป่วยแต่ละราย การรักษาแบบครบวงจรเฉพาะบุคคลจะต้องชั่งน้ำหนักข้อดีและข้อเสียของตัวเลือกการรักษาทั้งหมด ไม่เพียงแต่เพื่อยืดอายุการรอดชีวิต แต่ยังเพื่อปรับปรุงคุณภาพชีวิตด้วย [6] ดังนั้น จำเป็นต้องมีแบบจำลองการทำนายที่มีประสิทธิภาพเพื่อประเมินการพยากรณ์โรคของผู้ป่วยได้อย่างแม่นยำ [7] ด้วยเหตุนี้ จึงสามารถเลือกการรักษาที่เหมาะสมเพื่อสร้างสมดุลระหว่างการอยู่รอดและคุณภาพชีวิตของผู้ป่วยที่เป็น PAAD ได้
การพยากรณ์โรคที่ไม่ดีของ PAAD ส่วนใหญ่เกิดจากความต้านทานต่อยาเคมีบำบัด ในช่วงไม่กี่ปีที่ผ่านมา สารยับยั้งจุดตรวจภูมิคุ้มกันได้รับการใช้กันอย่างแพร่หลายในการรักษาเนื้องอกแข็ง [8] อย่างไรก็ตาม การใช้ ICI ในมะเร็งตับอ่อนนั้นไม่ค่อยประสบความสำเร็จ [9] ดังนั้น การระบุผู้ป่วยที่อาจได้รับประโยชน์จากการบำบัดด้วย ICI จึงเป็นสิ่งสำคัญ
RNA ที่ไม่เข้ารหัสแบบยาว (lncRNA) เป็น RNA ที่ไม่เข้ารหัสชนิดหนึ่งที่มีทรานสคริปต์มากกว่า 200 นิวคลีโอไทด์ lncRNA พบได้ทั่วไปและคิดเป็นประมาณ 80% ของทรานสคริปโตมของมนุษย์ [10] งานวิจัยจำนวนมากแสดงให้เห็นว่าแบบจำลองการพยากรณ์โรคโดยใช้ lncRNA สามารถทำนายการพยากรณ์โรคของผู้ป่วยได้อย่างมีประสิทธิภาพ [11, 12] ตัวอย่างเช่น มีการระบุ lncRNA ที่เกี่ยวข้องกับออโตฟาจี 18 ชนิดเพื่อสร้างลายเซ็นการพยากรณ์โรคในมะเร็งเต้านม [13] นอกจากนี้ ยังมีการใช้ lncRNA ที่เกี่ยวข้องกับภูมิคุ้มกันอีก 6 ชนิดเพื่อสร้างคุณลักษณะการพยากรณ์โรคของเนื้องอกในสมอง [14]
ในมะเร็งตับอ่อน มีการศึกษาบางส่วนที่สร้างลายเซ็นตาม lncRNA เพื่อทำนายการพยากรณ์โรคของผู้ป่วย ลายเซ็น 3-lncRNA ถูกสร้างขึ้นในมะเร็งต่อมอะดีโนคาร์ซิโนมาของตับอ่อน โดยมีพื้นที่ใต้เส้นโค้ง ROC (AUC) เพียง 0.742 และอัตราการรอดชีวิตโดยรวม (OS) 3 ปี [15] นอกจากนี้ ค่าการแสดงออกของ lncRNA ยังแตกต่างกันในจีโนม รูปแบบข้อมูล และผู้ป่วยที่แตกต่างกัน และประสิทธิภาพของแบบจำลองการทำนายก็ไม่เสถียร ดังนั้น เราจึงใช้อัลกอริทึมการสร้างแบบจำลองใหม่ การจับคู่และการวนซ้ำ เพื่อสร้างลายเซ็น lncRNA ที่เกี่ยวข้องกับภูมิคุ้มกัน (irlncRNA) เพื่อสร้างแบบจำลองการทำนายที่แม่นยำและเสถียรยิ่งขึ้น [8]
ข้อมูล RNAseq ที่ปรับค่ามาตรฐาน (FPKM) และข้อมูลมะเร็งตับอ่อนทางคลินิก TCGA และข้อมูลการแสดงออกของเนื้อเยื่อตามจีโนไทป์ (GTEx) ได้รับจากฐานข้อมูล UCSC XENA ( https://xenabrowser.net/datapages/ ) ไฟล์ GTF ได้รับจากฐานข้อมูล Ensembl ( http://asia.ensembl.org ) และใช้ในการดึงข้อมูลโปรไฟล์การแสดงออกของ lncRNA จาก RNAseq เราดาวน์โหลดยีนที่เกี่ยวข้องกับภูมิคุ้มกันจากฐานข้อมูล ImmPort (http://www.immport.org) และระบุ lncRNA ที่เกี่ยวข้องกับภูมิคุ้มกัน (irlncRNA) โดยใช้การวิเคราะห์ความสัมพันธ์ (p < 0.001, r > 0.4) การระบุ irlncRNA ที่แสดงออกแตกต่างกัน (DEirlncRNA) โดยการผสม irlncRNA และ lncRNA ที่แสดงออกแตกต่างกันซึ่งได้จากฐานข้อมูล GEPIA2 (http://gepia2.cancer-pku.cn/#index) ในกลุ่มตัวอย่าง TCGA-PAAD (|logFC| > 1 และ FDR <0.05)
วิธีการนี้ได้รับการรายงานไว้ก่อนหน้านี้แล้ว [8] โดยเฉพาะอย่างยิ่ง เราสร้าง X ขึ้นมาเพื่อแทนที่ lncRNA A และ lncRNA B ที่จับคู่กัน เมื่อค่าการแสดงออกของ lncRNA A สูงกว่าค่าการแสดงออกของ lncRNA B ค่า X จะถูกกำหนดให้เป็น 1 มิฉะนั้นค่า X จะถูกกำหนดให้เป็น 0 ดังนั้น เราจึงสามารถสร้างเมทริกซ์ที่มีค่าเป็น 0 หรือ –1 ได้ แกนตั้งของเมทริกซ์แสดงถึงแต่ละตัวอย่าง และแกนนอนแสดงถึงคู่ DEirlncRNA แต่ละคู่ที่มีค่าเป็น 0 หรือ 1
การวิเคราะห์การถดถอยแบบตัวแปรเดียว ตามด้วยการถดถอยแบบ Lasso ถูกนำมาใช้เพื่อคัดกรองคู่ DEirlncRNA ที่ใช้ในการพยากรณ์โรค การวิเคราะห์การถดถอยแบบ Lasso ใช้การตรวจสอบแบบไขว้ 10 เท่า ทำซ้ำ 1000 ครั้ง (p < 0.05) โดยมีสิ่งเร้าแบบสุ่ม 1000 ครั้งต่อรอบ เมื่อความถี่ของแต่ละคู่ DEirlncRNA เกิน 100 ครั้งใน 1000 รอบ คู่ DEirlncRNA นั้นจะถูกเลือกเพื่อสร้างแบบจำลองความเสี่ยงในการพยากรณ์โรค จากนั้นเราใช้เส้นโค้ง AUC เพื่อหาค่าตัดที่เหมาะสมที่สุดสำหรับการจำแนกผู้ป่วย PAAD ออกเป็นกลุ่มความเสี่ยงสูงและต่ำ ค่า AUC ของแต่ละแบบจำลองจะถูกคำนวณและพล็อตเป็นเส้นโค้ง หากเส้นโค้งถึงจุดสูงสุดที่แสดงถึงค่า AUC สูงสุด กระบวนการคำนวณจะหยุดลงและแบบจำลองนั้นจะถือว่าเป็นตัวเลือกที่ดีที่สุด แบบจำลองเส้นโค้ง ROC 1 ปี 3 ปี และ 5 ปี ถูกสร้างขึ้น การวิเคราะห์การถดถอยแบบตัวแปรเดียวและหลายตัวแปรถูกนำมาใช้เพื่อตรวจสอบประสิทธิภาพการทำนายที่เป็นอิสระของแบบจำลองความเสี่ยงในการพยากรณ์โรค
ใช้เครื่องมือเจ็ดชนิดในการศึกษาอัตราการแทรกซึมของเซลล์ภูมิคุ้มกัน ได้แก่ XCELL, TIMER, QUANTISEQ, MCPCOUNTER, EPIC, CIBERSORT-ABS และ CIBERSORT ข้อมูลการแทรกซึมของเซลล์ภูมิคุ้มกันถูกดาวน์โหลดจากฐานข้อมูล TIMER2 (http://timer.comp-genomics.org/#tab-5817-3) วิเคราะห์ความแตกต่างของปริมาณเซลล์ภูมิคุ้มกันที่แทรกซึมระหว่างกลุ่มที่มีความเสี่ยงสูงและต่ำในแบบจำลองที่สร้างขึ้นโดยใช้การทดสอบ Wilcoxon signed-rank test ผลลัพธ์แสดงในกราฟสี่เหลี่ยม ทำการวิเคราะห์ความสัมพันธ์แบบ Spearman เพื่อวิเคราะห์ความสัมพันธ์ระหว่างค่าคะแนนความเสี่ยงและเซลล์ภูมิคุ้มกันที่แทรกซึม ค่าสัมประสิทธิ์สหสัมพันธ์ที่ได้แสดงเป็นรูปแท่ง กำหนดเกณฑ์ความสำคัญไว้ที่ p < 0.05 ดำเนินการโดยใช้แพ็กเกจ R ggplot2 เพื่อตรวจสอบความสัมพันธ์ระหว่างแบบจำลองและระดับการแสดงออกของยีนที่เกี่ยวข้องกับอัตราการแทรกซึมของเซลล์ภูมิคุ้มกัน เราได้ใช้แพ็กเกจ ggstatsplot และการแสดงภาพด้วยแผนภาพไวโอลิน (violin plot)
เพื่อประเมินรูปแบบการรักษาทางคลินิกสำหรับมะเร็งตับอ่อน เราได้คำนวณค่า IC50 ของยาเคมีบำบัดที่ใช้กันทั่วไปในกลุ่มตัวอย่าง TCGA-PAAD เปรียบเทียบความแตกต่างของความเข้มข้นที่ยับยั้งได้ครึ่งหนึ่ง (IC50) ระหว่างกลุ่มที่มีความเสี่ยงสูงและกลุ่มที่มีความเสี่ยงต่ำโดยใช้การทดสอบ Wilcoxon signed-rank test และแสดงผลลัพธ์ในรูปแบบแผนภาพกล่อง (boxplot) ที่สร้างขึ้นโดยใช้ pRRophetic และ ggplot2 ใน R วิธีการทั้งหมดเป็นไปตามแนวทางและมาตรฐานที่เกี่ยวข้อง
ขั้นตอนการดำเนินงานของการศึกษาของเราแสดงในรูปที่ 1 โดยใช้การวิเคราะห์ความสัมพันธ์ระหว่าง lncRNAs และยีนที่เกี่ยวข้องกับภูมิคุ้มกัน เราได้คัดเลือก irlncRNAs จำนวน 724 ตัวที่มีค่า p < 0.01 และ r > 0.4 จากนั้นเราได้วิเคราะห์ lncRNAs ที่มีการแสดงออกแตกต่างกันของ GEPIA2 (รูปที่ 2A) พบว่ามี irlncRNAs จำนวน 223 ตัวที่มีการแสดงออกแตกต่างกันระหว่างมะเร็งตับอ่อนและเนื้อเยื่อตับอ่อนปกติ (|logFC| > 1, FDR < 0.05) ซึ่งตั้งชื่อว่า DEirlncRNAs
การสร้างแบบจำลองการทำนายความเสี่ยง (A) แผนภาพภูเขาไฟแสดง lncRNA ที่แสดงออกแตกต่างกัน (B) การกระจายของสัมประสิทธิ์ LASSO สำหรับ lncRNA ที่แสดงออกแตกต่างกัน 20 คู่ (C) ความแปรปรวนของความน่าจะเป็นบางส่วนของการกระจายสัมประสิทธิ์ LASSO (D) แผนภาพฟอเรสต์แสดงการวิเคราะห์การถดถอยแบบตัวแปรเดียวของ lncRNA ที่แสดงออกแตกต่างกัน 20 คู่
จากนั้น เราสร้างเมทริกซ์ 0 หรือ 1 โดยจับคู่ DEirlncRNA จำนวน 223 คู่ พบคู่ DEirlncRNA ทั้งหมด 13,687 คู่ หลังจากการวิเคราะห์การถดถอยแบบตัวแปรเดียวและแบบ Lasso แล้ว ได้ทดสอบคู่ DEirlncRNA จำนวน 20 คู่เพื่อสร้างแบบจำลองความเสี่ยงในการพยากรณ์ (รูปที่ 2B-D) จากผลการวิเคราะห์แบบ Lasso และการถดถอยแบบหลายตัวแปร เราคำนวณคะแนนความเสี่ยงสำหรับผู้ป่วยแต่ละรายในกลุ่ม TCGA-PAAD (ตารางที่ 1) ค่า AUC ของเส้นโค้ง ROC เท่ากับ 0.905 สำหรับการพยากรณ์แบบจำลองความเสี่ยง 1 ปี 0.942 สำหรับการพยากรณ์ 2 ปี และ 0.966 สำหรับการพยากรณ์ 3 ปี (รูปที่ 3A-B) เรากำหนดค่าตัดที่เหมาะสมที่สุดไว้ที่ 3.105 แบ่งผู้ป่วยในกลุ่ม TCGA-PAAD ออกเป็นกลุ่มที่มีความเสี่ยงสูงและต่ำ และแสดงผลลัพธ์การอยู่รอดและการกระจายคะแนนความเสี่ยงสำหรับผู้ป่วยแต่ละราย (รูปที่ 3C-E) การวิเคราะห์แบบ Kaplan-Meier แสดงให้เห็นว่าอัตราการอยู่รอดของผู้ป่วย PAAD ในกลุ่มที่มีความเสี่ยงสูงนั้นต่ำกว่าผู้ป่วยในกลุ่มที่มีความเสี่ยงต่ำอย่างมีนัยสำคัญ (p < 0.001) (รูปที่ 3F)
ความถูกต้องของแบบจำลองความเสี่ยงในการพยากรณ์ (A) ROC ของแบบจำลองความเสี่ยงในการพยากรณ์ (B) ROC ของแบบจำลองความเสี่ยงในการพยากรณ์ที่ 1, 2 และ 3 ปี (C) ROC ของแบบจำลองความเสี่ยงในการพยากรณ์ แสดงจุดตัดที่เหมาะสมที่สุด (D) การกระจายสถานะการรอดชีวิต (E) และคะแนนความเสี่ยง (F) การวิเคราะห์ Kaplan-Meier ของผู้ป่วย PAAD ในกลุ่มที่มีความเสี่ยงสูงและต่ำ
เราได้ประเมินความแตกต่างของคะแนนความเสี่ยงตามลักษณะทางคลินิกเพิ่มเติม แผนภาพเส้น (รูปที่ 4A) แสดงความสัมพันธ์โดยรวมระหว่างลักษณะทางคลินิกและคะแนนความเสี่ยง โดยเฉพาะอย่างยิ่ง ผู้ป่วยสูงอายุมีคะแนนความเสี่ยงสูงกว่า (รูปที่ 4B) นอกจากนี้ ผู้ป่วยระยะที่ II มีคะแนนความเสี่ยงสูงกว่าผู้ป่วยระยะที่ I (รูปที่ 4C) สำหรับระดับความรุนแรงของเนื้องอกในผู้ป่วย PAAD ผู้ป่วยระดับ 3 มีคะแนนความเสี่ยงสูงกว่าผู้ป่วยระดับ 1 และ 2 (รูปที่ 4D) เราได้ทำการวิเคราะห์การถดถอยแบบตัวแปรเดียวและหลายตัวแปรเพิ่มเติม และแสดงให้เห็นว่าคะแนนความเสี่ยง (p < 0.001) และอายุ (p = 0.045) เป็นปัจจัยพยากรณ์อิสระในผู้ป่วย PAAD (รูปที่ 5A-B) เส้นโค้ง ROC แสดงให้เห็นว่าคะแนนความเสี่ยงนั้นเหนือกว่าลักษณะทางคลินิกอื่นๆ ในการทำนายอัตราการรอดชีวิต 1 ปี 2 ปี และ 3 ปีของผู้ป่วย PAAD (รูปที่ 5C-E)
ลักษณะทางคลินิกของแบบจำลองความเสี่ยงในการพยากรณ์โรค ฮิสโตแกรม (A) แสดง (B) อายุ (C) ระยะของเนื้องอก (D) ระดับความรุนแรงของเนื้องอก คะแนนความเสี่ยง และเพศของผู้ป่วยในกลุ่มตัวอย่าง TCGA-PAAD **p < 0.01
การวิเคราะห์เชิงทำนายอิสระของแบบจำลองความเสี่ยงในการพยากรณ์โรค (AB) การวิเคราะห์การถดถอยแบบตัวแปรเดียว (A) และหลายตัวแปร (B) ของแบบจำลองความเสี่ยงในการพยากรณ์โรคและลักษณะทางคลินิก (CE) ROC 1 ปี 2 ปี และ 3 ปี สำหรับแบบจำลองความเสี่ยงในการพยากรณ์โรคและลักษณะทางคลินิก
ดังนั้น เราจึงตรวจสอบความสัมพันธ์ระหว่างเวลาและคะแนนความเสี่ยง เราพบว่าคะแนนความเสี่ยงในผู้ป่วย PAAD มีความสัมพันธ์ผกผันกับเซลล์ CD8+ T และเซลล์ NK (รูปที่ 6A) ซึ่งบ่งชี้ถึงการทำงานของระบบภูมิคุ้มกันที่ถูกกดในกลุ่มที่มีความเสี่ยงสูง นอกจากนี้ เรายังประเมินความแตกต่างของการแทรกซึมของเซลล์ภูมิคุ้มกันระหว่างกลุ่มที่มีความเสี่ยงสูงและกลุ่มที่มีความเสี่ยงต่ำ และพบผลลัพธ์เดียวกัน (รูปที่ 7) มีการแทรกซึมของเซลล์ CD8+ T และเซลล์ NK น้อยกว่าในกลุ่มที่มีความเสี่ยงสูง ในช่วงไม่กี่ปีที่ผ่านมา สารยับยั้งจุดตรวจภูมิคุ้มกัน (ICIs) ได้ถูกนำมาใช้กันอย่างแพร่หลายในการรักษาเนื้องอกแข็ง อย่างไรก็ตาม การใช้ ICIs ในมะเร็งตับอ่อนนั้นประสบความสำเร็จน้อยมาก ดังนั้น เราจึงประเมินการแสดงออกของยีนจุดตรวจภูมิคุ้มกันในกลุ่มที่มีความเสี่ยงสูงและกลุ่มที่มีความเสี่ยงต่ำ เราพบว่า CTLA-4 และ CD161 (KLRB1) มีการแสดงออกมากเกินไปในกลุ่มที่มีความเสี่ยงต่ำ (รูปที่ 6B-G) ซึ่งบ่งชี้ว่าผู้ป่วย PAAD ในกลุ่มที่มีความเสี่ยงต่ำอาจมีความไวต่อ ICI
การวิเคราะห์ความสัมพันธ์ระหว่างแบบจำลองความเสี่ยงในการพยากรณ์โรคและการแทรกซึมของเซลล์ภูมิคุ้มกัน (A) ความสัมพันธ์ระหว่างแบบจำลองความเสี่ยงในการพยากรณ์โรคและการแทรกซึมของเซลล์ภูมิคุ้มกัน (BG) แสดงการแสดงออกของยีนในกลุ่มที่มีความเสี่ยงสูงและต่ำ (HK) ค่า IC50 สำหรับยาต้านมะเร็งเฉพาะชนิดในกลุ่มที่มีความเสี่ยงสูงและต่ำ *p < 0.05, **p < 0.01, ns = ไม่มีความสำคัญทางสถิติ
เราได้ประเมินความสัมพันธ์ระหว่างคะแนนความเสี่ยงและยาเคมีบำบัดที่ใช้กันทั่วไปในกลุ่มผู้ป่วย TCGA-PAAD เพิ่มเติม เราค้นหายาต้านมะเร็งที่ใช้กันทั่วไปในมะเร็งตับอ่อนและวิเคราะห์ความแตกต่างของค่า IC50 ระหว่างกลุ่มที่มีความเสี่ยงสูงและกลุ่มที่มีความเสี่ยงต่ำ ผลลัพธ์แสดงให้เห็นว่าค่า IC50 ของ AZD.2281 (olaparib) สูงกว่าในกลุ่มที่มีความเสี่ยงสูง ซึ่งบ่งชี้ว่าผู้ป่วย PAAD ในกลุ่มที่มีความเสี่ยงสูงอาจดื้อต่อการรักษาด้วย AZD.2281 (รูปที่ 6H) นอกจากนี้ ค่า IC50 ของ paclitaxel, sorafenib และ erlotinib ยังต่ำกว่าในกลุ่มที่มีความเสี่ยงสูง (รูปที่ 6I-K) เราได้ระบุยาต้านมะเร็ง 34 ชนิดที่มีค่า IC50 สูงกว่าในกลุ่มที่มีความเสี่ยงสูง และยาต้านมะเร็ง 34 ชนิดที่มีค่า IC50 ต่ำกว่าในกลุ่มที่มีความเสี่ยงต่ำ (ตารางที่ 2)
ปฏิเสธไม่ได้ว่า lncRNA, mRNA และ miRNA มีอยู่ทั่วไปและมีบทบาทสำคัญในการพัฒนาของมะเร็ง มีหลักฐานมากมายที่สนับสนุนบทบาทสำคัญของ mRNA หรือ miRNA ในการทำนายอัตราการรอดชีวิตโดยรวมในมะเร็งหลายชนิด แน่นอนว่าแบบจำลองความเสี่ยงในการพยากรณ์โรคหลายแบบก็อิงตาม lncRNA เช่นกัน ตัวอย่างเช่น การศึกษาของ Luo et al. แสดงให้เห็นว่า LINC01094 มีบทบาทสำคัญในการแพร่กระจายและการลุกลามของมะเร็งตับอ่อน และการแสดงออกของ LINC01094 ในระดับสูงบ่งชี้ถึงอัตราการรอดชีวิตที่ต่ำของผู้ป่วยมะเร็งตับอ่อน [16] การศึกษาที่นำเสนอโดย Lin et al. แสดงให้เห็นว่าการลดลงของ lncRNA FLVCR1-AS1 เกี่ยวข้องกับพยากรณ์โรคที่ไม่ดีในผู้ป่วยมะเร็งตับอ่อน [17] อย่างไรก็ตาม lncRNA ที่เกี่ยวข้องกับภูมิคุ้มกันนั้นมีการกล่าวถึงค่อนข้างน้อยในแง่ของการทำนายอัตราการรอดชีวิตโดยรวมของผู้ป่วยมะเร็ง เมื่อเร็วๆ นี้ งานวิจัยจำนวนมากมุ่งเน้นไปที่การสร้างแบบจำลองความเสี่ยงในการพยากรณ์โรคเพื่อทำนายการอยู่รอดของผู้ป่วยมะเร็งและปรับวิธีการรักษา [18, 19, 20] มีการยอมรับมากขึ้นถึงบทบาทสำคัญของเซลล์ภูมิคุ้มกันที่แทรกซึมเข้าไปในเนื้องอกในการเริ่มต้น การลุกลาม และการตอบสนองต่อการรักษา เช่น เคมีบำบัด งานวิจัยจำนวนมากยืนยันว่าเซลล์ภูมิคุ้มกันที่แทรกซึมเข้าไปในเนื้องอกมีบทบาทสำคัญในการตอบสนองต่อเคมีบำบัดแบบทำลายเซลล์ [21, 22, 23] สภาพแวดล้อมจุลภาคของภูมิคุ้มกันในเนื้องอกเป็นปัจจัยสำคัญต่อการอยู่รอดของผู้ป่วยมะเร็ง [24, 25] ภูมิคุ้มกันบำบัด โดยเฉพาะอย่างยิ่งการบำบัดด้วย ICI ถูกนำมาใช้กันอย่างแพร่หลายในการรักษามะเร็งชนิดก้อน [26] ยีนที่เกี่ยวข้องกับภูมิคุ้มกันถูกนำมาใช้กันอย่างแพร่หลายในการสร้างแบบจำลองความเสี่ยงในการพยากรณ์โรค ตัวอย่างเช่น Su et al. ได้สร้างแบบจำลองความเสี่ยงในการพยากรณ์โรคที่เกี่ยวข้องกับภูมิคุ้มกันโดยอิงจากยีนที่เข้ารหัสโปรตีนเพื่อทำนายการพยากรณ์โรคของผู้ป่วยมะเร็งรังไข่ [27] ยีนที่ไม่เข้ารหัส เช่น lncRNAs ก็เหมาะสมสำหรับการสร้างแบบจำลองความเสี่ยงในการพยากรณ์โรคเช่นกัน [28, 29, 30] Luo et al ทดสอบ lncRNAs ที่เกี่ยวข้องกับภูมิคุ้มกัน 4 ชนิด และสร้างแบบจำลองการทำนายความเสี่ยงมะเร็งปากมดลูก [31] Khan et al. ระบุทรานสคริปต์ที่แสดงออกแตกต่างกันทั้งหมด 32 รายการ และจากนั้นได้สร้างแบบจำลองการทำนายที่มีทรานสคริปต์สำคัญ 5 รายการ ซึ่งเสนอให้เป็นเครื่องมือที่แนะนำอย่างยิ่งสำหรับการทำนายการปฏิเสธเฉียบพลันที่พิสูจน์ได้จากการตรวจชิ้นเนื้อหลังการปลูกถ่ายไต [32]
แบบจำลองส่วนใหญ่เหล่านี้อิงตามระดับการแสดงออกของยีน ไม่ว่าจะเป็นยีนที่สร้างโปรตีนหรือยีนที่ไม่สร้างโปรตีน อย่างไรก็ตาม ยีนเดียวกันอาจมีค่าการแสดงออกที่แตกต่างกันในจีโนม รูปแบบข้อมูล และผู้ป่วยที่แตกต่างกัน ซึ่งนำไปสู่การประมาณค่าที่ไม่เสถียรในแบบจำลองการทำนาย ในการศึกษาครั้งนี้ เราได้สร้างแบบจำลองที่เหมาะสมโดยใช้ lncRNA สองคู่ โดยไม่ขึ้นอยู่กับค่าการแสดงออกที่แน่นอน
ในการศึกษานี้ เราได้ระบุ irlncRNA เป็นครั้งแรกผ่านการวิเคราะห์ความสัมพันธ์กับยีนที่เกี่ยวข้องกับภูมิคุ้มกัน เราได้คัดกรอง DEirlncRNA จำนวน 223 รายการโดยการไฮบริดกับ lncRNA ที่แสดงออกแตกต่างกัน ประการที่สอง เราได้สร้างเมทริกซ์ 0 หรือ 1 โดยอิงตามวิธีการจับคู่ DEirlncRNA ที่เผยแพร่แล้ว [31] จากนั้นเราได้ทำการวิเคราะห์การถดถอยแบบตัวแปรเดียวและแบบ lasso เพื่อระบุคู่ DEirlncRNA ที่ทำนายผลและสร้างแบบจำลองความเสี่ยงในการทำนาย เราได้วิเคราะห์ความสัมพันธ์ระหว่างคะแนนความเสี่ยงและลักษณะทางคลินิกในผู้ป่วย PAAD เพิ่มเติม เราพบว่าแบบจำลองความเสี่ยงในการทำนายผลของเรา ซึ่งเป็นปัจจัยทำนายผลอิสระในผู้ป่วย PAAD สามารถแยกแยะผู้ป่วยที่มีระดับความรุนแรงสูงจากผู้ป่วยที่มีระดับความรุนแรงต่ำ และผู้ป่วยที่มีระดับความรุนแรงสูงจากผู้ป่วยที่มีระดับความรุนแรงต่ำได้อย่างมีประสิทธิภาพ นอกจากนี้ ค่า AUC ของเส้นโค้ง ROC ของแบบจำลองความเสี่ยงในการพยากรณ์มีค่า 0.905 สำหรับการพยากรณ์ 1 ปี, 0.942 สำหรับการพยากรณ์ 2 ปี และ 0.966 สำหรับการพยากรณ์ 3 ปี
นักวิจัยรายงานว่าผู้ป่วยที่มีการแทรกซึมของเซลล์ CD8+ T ในระดับสูงกว่าจะมีความไวต่อการรักษาด้วย ICI มากกว่า [33] การเพิ่มขึ้นของปริมาณเซลล์ที่ทำลายเซลล์เป้าหมาย เซลล์ CD56 NK เซลล์ NK และเซลล์ CD8+ T ในสภาพแวดล้อมจุลภาคภูมิคุ้มกันของเนื้องอกอาจเป็นหนึ่งในสาเหตุของผลการยับยั้งเนื้องอก [34] การศึกษาก่อนหน้านี้แสดงให้เห็นว่าระดับที่สูงขึ้นของเซลล์ CD4(+) T และ CD8(+) T ที่แทรกซึมเข้าไปในเนื้องอกมีความสัมพันธ์อย่างมีนัยสำคัญกับการมีชีวิตรอดที่ยาวนานขึ้น [35] การแทรกซึมของเซลล์ CD8 T ที่ต่ำ ปริมาณนีโอแอนติเจนต่ำ และสภาพแวดล้อมจุลภาคของเนื้องอกที่มีการกดภูมิคุ้มกันสูงนำไปสู่การขาดการตอบสนองต่อการรักษาด้วย ICI [36] เราพบว่าคะแนนความเสี่ยงมีความสัมพันธ์เชิงลบกับเซลล์ CD8+ T และเซลล์ NK ซึ่งบ่งชี้ว่าผู้ป่วยที่มีคะแนนความเสี่ยงสูงอาจไม่เหมาะสมสำหรับการรักษาด้วย ICI และมีพยากรณ์โรคที่แย่กว่า
CD161 เป็นเครื่องหมายของเซลล์นักฆ่าตามธรรมชาติ (NK) เซลล์ T ที่ถูกถ่ายทอดด้วย CAR CD8+CD161+ จะช่วยเพิ่มประสิทธิภาพในการต่อต้านเนื้องอกในร่างกายในแบบจำลองการปลูกถ่ายเซลล์มะเร็งท่อตับอ่อน HER2+ [37] สารยับยั้งจุดตรวจภูมิคุ้มกันมุ่งเป้าไปที่โปรตีนที่เกี่ยวข้องกับลิมโฟไซต์ T ที่เป็นพิษต่อเซลล์ 4 (CTLA-4) และโปรตีนการตายของเซลล์แบบโปรแกรม 1 (PD-1)/ลิแกนด์การตายของเซลล์แบบโปรแกรม 1 (PD-L1) และมีศักยภาพสูงในหลายด้าน การแสดงออกของ CTLA-4 และ CD161 (KLRB1) ต่ำกว่าในกลุ่มที่มีความเสี่ยงสูง ซึ่งบ่งชี้เพิ่มเติมว่าผู้ป่วยที่มีคะแนนความเสี่ยงสูงอาจไม่เหมาะสมสำหรับการรักษาด้วย ICI [38]
เพื่อค้นหาทางเลือกการรักษาที่เหมาะสมสำหรับผู้ป่วยที่มีความเสี่ยงสูง เราได้วิเคราะห์ยาต้านมะเร็งหลายชนิดและพบว่าแพคลิแท็กเซล โซราเฟนิบ และเออร์โลตินิบ ซึ่งใช้กันอย่างแพร่หลายในผู้ป่วย PAAD อาจเหมาะสมสำหรับผู้ป่วย PAAD ที่มีความเสี่ยงสูง [33] Zhang และคณะพบว่าการกลายพันธุ์ในเส้นทางการตอบสนองต่อความเสียหายของ DNA (DDR) ใดๆ ก็ตามสามารถนำไปสู่การพยากรณ์โรคที่ไม่ดีในผู้ป่วยมะเร็งต่อมลูกหมาก [39] การทดลอง Pancreatic Cancer Olaparib Ongoing (POLO) แสดงให้เห็นว่าการรักษาแบบต่อเนื่องด้วยโอลาพาริบช่วยยืดระยะเวลาการอยู่รอดโดยปราศจากความคืบหน้าของโรคเมื่อเทียบกับยาหลอกหลังจากการทำเคมีบำบัดด้วยแพลทินัมเป็นยาหลักในผู้ป่วยมะเร็งท่อตับอ่อนที่มีการกลายพันธุ์ของยีน BRCA1/2 ในเซลล์สืบพันธุ์ [40] สิ่งนี้ให้ความหวังอย่างมากว่าผลลัพธ์การรักษาจะดีขึ้นอย่างมีนัยสำคัญในกลุ่มผู้ป่วยย่อยนี้ ในการศึกษาครั้งนี้ ค่า IC50 ของ AZD.2281 (olaparib) สูงกว่าในกลุ่มที่มีความเสี่ยงสูง ซึ่งบ่งชี้ว่าผู้ป่วย PAAD ในกลุ่มที่มีความเสี่ยงสูงอาจดื้อต่อการรักษาด้วย AZD.2281
แบบจำลองการพยากรณ์ในงานวิจัยนี้ให้ผลการพยากรณ์ที่ดี แต่ขึ้นอยู่กับการพยากรณ์เชิงวิเคราะห์ คำถามสำคัญคือจะยืนยันผลลัพธ์เหล่านี้ด้วยข้อมูลทางคลินิกได้อย่างไร การตรวจอัลตราซาวนด์ด้วยเข็มขนาดเล็กผ่านกล้องเอนโดสโคป (EUS-FNA) ได้กลายเป็นวิธีการที่ขาดไม่ได้สำหรับการวินิจฉัยรอยโรคของตับอ่อนที่เป็นของแข็งและนอกตับอ่อน โดยมีความไว 85% และความจำเพาะ 98% [41] การพัฒนาเข็มเจาะชิ้นเนื้อด้วยเข็มขนาดเล็กผ่านกล้องเอนโดสโคป (EUS-FNB) ส่วนใหญ่ขึ้นอยู่กับข้อดีที่รับรู้ได้เหนือกว่า FNA เช่น ความแม่นยำในการวินิจฉัยที่สูงขึ้น การได้ตัวอย่างที่รักษาโครงสร้างทางเนื้อเยื่อวิทยา และการสร้างเนื้อเยื่อภูมิคุ้มกันซึ่งมีความสำคัญต่อการวินิจฉัยบางอย่าง การย้อมสีพิเศษ [42] การทบทวนวรรณกรรมอย่างเป็นระบบยืนยันว่าเข็ม FNB (โดยเฉพาะ 22G) แสดงให้เห็นถึงประสิทธิภาพสูงสุดในการเก็บเนื้อเยื่อจากก้อนในตับอ่อน [43] ในทางคลินิก มีผู้ป่วยเพียงจำนวนน้อยเท่านั้นที่มีคุณสมบัติเหมาะสมสำหรับการผ่าตัดแบบถอนรากถอนโคน และผู้ป่วยส่วนใหญ่มีเนื้องอกที่ไม่สามารถผ่าตัดได้ในขณะที่ได้รับการวินิจฉัยครั้งแรก ในทางปฏิบัติทางคลินิก มีผู้ป่วยเพียงส่วนน้อยเท่านั้นที่เหมาะสมกับการผ่าตัดใหญ่ เนื่องจากผู้ป่วยส่วนใหญ่มีเนื้องอกที่ไม่สามารถผ่าตัดได้ในขณะที่ได้รับการวินิจฉัยครั้งแรก หลังจากได้รับการยืนยันทางพยาธิวิทยาโดย EUS-FNB และวิธีการอื่นๆ แล้ว โดยทั่วไปมักจะเลือกวิธีการรักษาที่ไม่ใช่การผ่าตัดแบบมาตรฐาน เช่น เคมีบำบัด งานวิจัยต่อไปของเราคือการทดสอบแบบจำลองการพยากรณ์โรคของงานวิจัยนี้ในกลุ่มผู้ป่วยที่ได้รับการผ่าตัดและไม่ได้รับการผ่าตัดผ่านการวิเคราะห์ย้อนหลัง
โดยสรุปแล้ว การศึกษาของเราได้สร้างแบบจำลองความเสี่ยงในการพยากรณ์โรคแบบใหม่โดยอาศัย irlncRNA ที่จับคู่กัน ซึ่งแสดงให้เห็นถึงคุณค่าในการพยากรณ์โรคที่มีแนวโน้มที่ดีในผู้ป่วยมะเร็งตับอ่อน แบบจำลองความเสี่ยงในการพยากรณ์โรคของเราอาจช่วยจำแนกผู้ป่วย PAAD ที่เหมาะสมสำหรับการรักษาด้วยยาได้
ชุดข้อมูลที่ใช้และวิเคราะห์ในการศึกษาครั้งนี้ สามารถขอรับได้จากผู้เขียนที่เกี่ยวข้องเมื่อมีการร้องขออย่างสมเหตุสมผล
Sui Wen, Gong X, Zhuang Y. บทบาทตัวกลางของความเชื่อมั่นในตนเองในการควบคุมอารมณ์ด้านลบในช่วงการระบาดของ COVID-19: การศึกษาแบบภาคตัดขวาง Int J Ment Health Nurs [บทความวารสาร]. 2021 06/01/2021;30(3):759–71.
Sui Wen, Gong X, Qiao X, Zhang L, Cheng J, Dong J และคณะ มุมมองของสมาชิกในครอบครัวเกี่ยวกับการตัดสินใจทางเลือกในหน่วยดูแลผู้ป่วยหนัก: การทบทวนอย่างเป็นระบบ INT J NURS STUD [บทความในนิตยสาร; การทบทวน] 2023 01/01/2023;137:104391
Vincent A, Herman J, Schulich R, Hruban RH, Goggins M. มะเร็งตับอ่อน. Lancet. [บทความวารสาร; การสนับสนุนการวิจัยจาก NIH, นอกสถาบัน; การสนับสนุนการวิจัยจากรัฐบาลนอกสหรัฐอเมริกา; บทวิจารณ์]. 13/08/2011;378(9791):607–20.
Ilic M, Ilic I. ระบาดวิทยาของมะเร็งตับอ่อน World Journal of Gastroenterology. [บทความวารสาร, บทวิจารณ์]. 28/11/2016;22(44):9694–705.
Liu X, Chen B, Chen J, Sun S. โนโมแกรมใหม่ที่เกี่ยวข้องกับ tp53 สำหรับทำนายอัตราการรอดชีวิตโดยรวมในผู้ป่วยมะเร็งตับอ่อน BMC Cancer [บทความวารสาร]. 2021 31-03-2021;21(1):335.
Xian X, Zhu X, Chen Y, Huang B, Xiang W. ผลของการบำบัดแบบมุ่งเน้นการแก้ปัญหาต่อความเหนื่อยล้าที่เกี่ยวข้องกับมะเร็งในผู้ป่วยมะเร็งลำไส้ใหญ่ที่ได้รับเคมีบำบัด: การทดลองแบบสุ่มควบคุม Cancer nurse. [บทความวารสาร; การทดลองแบบสุ่มควบคุม; การศึกษาได้รับการสนับสนุนจากรัฐบาลนอกสหรัฐอเมริกา]. 2022 05/01/2022;45(3):E663–73.
Zhang Cheng, Zheng Wen, Lu Y, Shan L, Xu Dong, Pan Y และคณะ ระดับแอนติเจนคาร์ซิโนเอ็มบริโอนิก (CEA) หลังผ่าตัดสามารถทำนายผลลัพธ์หลังการผ่าตัดมะเร็งลำไส้ใหญ่ในผู้ป่วยที่มีระดับ CEA ปกติก่อนผ่าตัด ศูนย์วิจัยมะเร็งเชิงแปลผล [บทความวารสาร] 2020 01.01.2020;9(1):111–8.
Hong Wen, Liang Li, Gu Yu, Qi Zi, Qiu Hua, Yang X และคณะ lncRNA ที่เกี่ยวข้องกับภูมิคุ้มกันสร้างรูปแบบใหม่และทำนายภูมิทัศน์ภูมิคุ้มกันของมะเร็งตับในมนุษย์ Mol Ther Nucleic acids [บทความวารสาร] 2020 2020-12-04;22:937 – 47.
Toffey RJ, Zhu Y., Schulich RD การรักษาด้วยภูมิคุ้มกันสำหรับมะเร็งตับอ่อน: อุปสรรคและความก้าวหน้า Ann Gastrointestinal Surgeon [บทความวารสาร; บทวิจารณ์] 2018 07/01/2018;2(4):274–81
Hull R, Mbita Z, Dlamini Z. RNA ที่ไม่เข้ารหัสแบบยาว (LncRNAs), จีโนมของเนื้องอกไวรัส และเหตุการณ์การตัดต่อที่ผิดปกติ: ผลกระทบต่อการรักษา AM J CANCER RES [บทความวารสาร; บทวิจารณ์]. 2021 01/20/2021;11(3):866–83.
Wang J, Chen P, Zhang Y, Ding J, Yang Y, Li H. 11-การระบุลายเซ็น lncRNA ที่เกี่ยวข้องกับการพยากรณ์โรคของมะเร็งเยื่อบุโพรงมดลูก ความสำเร็จทางวิทยาศาสตร์ [บทความในนิตยสาร]. 2021 2021-01-01;104(1):311977089.
Jiang S, Ren H, Liu S, Lu Z, Xu A, Qin S และคณะ การวิเคราะห์อย่างครอบคลุมของยีนพยากรณ์โรคที่จับกับ RNA และยาที่อาจใช้รักษาในมะเร็งเซลล์ไตชนิด papillary cell pregen. [บทความวารสาร]. 2021 01/20/2021;12:627508.
Li X, Chen J, Yu Q, Huang X, Liu Z, Wang X และคณะ ลักษณะเฉพาะของ RNA ที่ไม่เข้ารหัสแบบยาวที่เกี่ยวข้องกับออโตฟาจีสามารถทำนายการพยากรณ์โรคของมะเร็งเต้านมได้ pregen. [บทความวารสาร]. 20/01/2021;12:569318.
Zhou M, Zhang Z, Zhao X, Bao S, Cheng L, Sun J. ลายเซ็น lncRNA หกตัวที่เกี่ยวข้องกับภูมิคุ้มกันช่วยปรับปรุงการพยากรณ์โรคใน glioblastoma multiforme MOL Neurobiology. [บทความวารสาร]. 2018 01.05.2018;55(5):3684–97.
Wu B, Wang Q, Fei J, Bao Y, Wang X, Song Z และคณะ ลายเซ็น tri-lncRNA ใหม่ทำนายการรอดชีวิตของผู้ป่วยมะเร็งตับอ่อน REPRESENTATIVES OF ONKOL [บทความวารสาร] 2018 12/01/2018;40(6):3427–37
Luo C, Lin K, Hu C, Zhu X, Zhu J, Zhu Z. LINC01094 ส่งเสริมการลุกลามของมะเร็งตับอ่อนโดยการควบคุมการแสดงออกของ LIN28B และวิถี PI3K/AKT ผ่าน miR-577 ที่ถูกดูดซับ Mol Therapeutics – Nucleic acids. 2021;26:523–35.
Lin J, Zhai X, Zou S, Xu Z, Zhang J, Jiang L และคณะ การตอบสนองเชิงบวกระหว่าง lncRNA FLVCR1-AS1 และ KLF10 อาจยับยั้งการลุกลามของมะเร็งตับอ่อนผ่านทางเส้นทาง PTEN/AKT J EXP Clin Cancer Res. 2021;40(1).
Zhou X, Liu X, Zeng X, Wu D, Liu L. การระบุยีน 13 ตัวที่ทำนายอัตราการรอดชีวิตโดยรวมในมะเร็งตับ Biosci Rep [บทความวารสาร]. 2021 04/09/2021.
วันที่โพสต์: 22 กันยายน 2023