Hasil( Jurding Translation) Fix

10
Hasil Kami menerapkan pendekatan meta-analisis pengembangan signature yang tersedia untuk umum dengan mutu tinggi, stadium lanjut, kanker ovarium serosa dengan susunan mikro profil ekspresi gen (Tabel 1) 5 . Hal ini termasuk pelatihan dan validasi dua signature prognostik yang terpisah: pertama untuk mengidentifikasi panjang dan pendeknya umur pasien yang selamat pada pasien dengan tahap awal dan tahap akhir kanker ovarium serosa; kedua untuk mengidentifikasi stadium lanjut, tumor serosa yang tidak bisa optimal didebulksasi hingga 1 cm atau kurang dari sisa tumor. Pengembangan keseluruhan kelangsungan hidup Gene Signature Kami menciptakan signature gen baru yang terdiri dari beberapa ekspresi gen yang paling signifikan secara statistik yang berhubungan dengan kelangsungan hidup secara keseluruhan di seluruh dataset utama (Gambar 1). Kami pertama kali menggunakan pendekatan validasi cross studi (Tambahan Gambar 1) untuk mengukur sejauh mana Pendekatan latihan kami menghasilkan signature yang konsisten di semua studi. Setelah menerapkan meninggalkan satu dataset silang validasi ke dataset pelatihan, kami menemukan pasien yang diklasifikasikan sebagai risiko tinggi secara konsisten memiliki kelangsungan hidup yang signifikan lebih pendek daripada pasien berisiko rendah (Gambar 2).

description

fix

Transcript of Hasil( Jurding Translation) Fix

Page 1: Hasil( Jurding Translation) Fix

Hasil

Kami menerapkan pendekatan meta-analisis pengembangan signature yang tersedia untuk umum dengan mutu tinggi, stadium lanjut, kanker ovarium serosa dengan susunan mikro profil ekspresi gen (Tabel 1) 5. Hal ini termasuk pelatihan dan validasi dua signature prognostik yang terpisah: pertama untuk mengidentifikasi panjang dan pendeknya umur pasien yang selamat pada pasien dengan tahap awal dan tahap akhir kanker ovarium serosa; kedua untuk mengidentifikasi stadium lanjut, tumor serosa yang tidak bisa optimal didebulksasi hingga 1 cm atau kurang dari sisa tumor.

Pengembangan keseluruhan kelangsungan hidup Gene Signature

Kami menciptakan signature gen baru yang terdiri dari beberapa ekspresi gen yang paling signifikan secara statistik yang berhubungan dengan kelangsungan hidup secara keseluruhan di seluruh dataset utama (Gambar 1). Kami pertama kali menggunakan pendekatan validasi cross studi (Tambahan Gambar 1) untuk mengukur sejauh mana Pendekatan latihan kami menghasilkan signature yang konsisten di semua studi. Setelah menerapkan meninggalkan satu dataset silang validasi ke dataset pelatihan, kami menemukan pasien yang diklasifikasikan sebagai risiko tinggi secara konsisten memiliki kelangsungan hidup yang signifikan lebih pendek daripada pasien berisiko rendah (Gambar 2).

Gambar 2. Meninggalka satu dataset validasi dari kinerja baru signature gen dalam memprediksi kelangsungan hidup secara keseluruhan pada kanker ovarium stadium akhir. Kami menggunakan database kami dari Transkriptome ovarium 5 untuk mengembangkan signature gen kelangsungan hidup baru secara keseluruhan oleh pembangunan meta-analisis metode signature. Secara total, enam dataset besar melewati kriteria pelatihan kami (Lihat Metode). Untuk pertama menguji metodologi kami pada enam dataset besar kita digunakan untuk pelatihan 6,8,9,10,15,63, kami menerapkan pendekatan meninggalkan satu dataset (Tambahan Gambar 1). Khusus untuk masing-masing dari enam dataset, kami melaatih model prediksi menggunakan sisa lima dataset saja dan kemudian secara bertingkat dataset pasien tidak digunakan untuk pelatihan ke dalam kelompok tinggi dan

Page 2: Hasil( Jurding Translation) Fix

berisiko rendah. Nilai P dihitung dengan uji log-rank, dan nilai ambang batas untuk stratifikasi pasien adalah median dari prediksi skor risiko di kohort pelatihan gabungan. Semua statistik tes mempunyai dua sisi. TCGA = Kanker Genome Atlas.

Kemudian kami melatih ulang signature (Tambahan Tabel 1) menggunakan semua enam dataset pelatihan dan dilakukan validasi eksternal di tujuh dataset independen tambahan. Termasuk dataset QRT-PCR 28, tiga dataset tidak melewati batas minimal sampel pelatihan dengan ukuran 75 13,29,30, sebuah dataset yang tersedia setelah model selesai 16, yang TCGA tahap awal, sampel yang bermutu tinggi 9, dan dataset yang hidup itu dijelaskan dengan label biner daripada waktu kematian 19. Metode penelitian kami terus mendiskriminasi umur jangka pendek dari korban jangka panjang di semua dataset tersebut, seperti yang ditunjukkan oleh analisis Kaplan-Meier dan plot ROC (Gambar 3).

Perbandingan Signature Kelangsungan Hidup Pada Faktor prognosis yang ada dan Signatures Gen

Kami membandingkan startifikasi Kaplan-Meier berdasarkan signature kami untuk yang didasarkan pada faktor-faktor prognostik klinis, TCGA asli signature gen (Tambahan Gambar 4, tersedia secara online) 9, yang baru-baru ini kami identifikasi sebagai signature yang terbaik diterbitkan sebelum Juli 2012 6, dan signature TCGA yang lebih baru telah dikembangkan oleh para peneliti yang sama (Angka Tambahan 5 dan 6) 18. Faktor prognostik klinis meliputi debulking optimal 8, usia, dan stadium tumor pada diagnosis. Hanya empat dataset yang menyeediakan tiga faktor; Namun, tujuh diantaranya menyediakan tingkatan dan status debulking (Tabel 1; Tambahan Tabel 2). Sehingga kami fokus pada dua faktor tersebut.

Ketika menggabungkan hasil validasi studi silang dan validasi independen ke ringkasan tunggal (Gambar 4), stratifikasi pasien menggunakan signature kami lebih unggul pada faktor klinis, serta untuk kedua signature gen TCGA. Untuk semua kohort tidak termasuk TCGA (n = 1.031 pasien di mana perbandingan langsung dengan signature TCGA bisa dibuat), pasien tergolong berisiko tinggi dengan signature kami memiliki kelangsungan hidup rata-rata 29,6 bulan (kepercayaan 95% interval [CI] = 27,5-32,6) dibandingkan dengan 60,1 bulan (95% CI = 53,2-68,0) untuk pasien berisiko rendah. Signature kami (HR = 2,19; 95% CI = 1,84-2,61) (Gambar 4A) memberikan keseluruhan peningkatan rasio hazard 0,36 (95% CI = -0,04 untuk 0,81; P = .04) dibandingkan dengan signature asli TCGA (HR = 1,83, 95% CI = 1,54-2,17) (Gambar 4D). Termasuk pada tingkatn dan status debulking dalam model prediksi kami hanya terjadi perubahan kecil pada sigature gen kita sendiri (P = 02, kemungkinan uji rasio) (Gambar 4B). Dua signature yang diusulkan oleh konsorsium TCGA sangat mirip jika dibandingkan satu sama lain (HR perbedaan = 0.00; 95% CI = -0,33 untuk 0,34) (Gambar 4, D dan E; Tambahan Gambar 7). C-Indeks signature kami meningkat cukup (0,011; 95% CI = -0,015 untuk 0,037) ke 0,62 dibandingkan dengan Signature TCGA. Dengan simulasi, kami memperkirakan bahwa tambahan peningkatan rasio hazard 0,27 akan diperlukan untuk mencapai signifikan statistik pada skala C-index juga (Hasil Tambahan). Analisis Pathway signature kami menunjukkan pengayaan TGF-β dan PDGF pada pasien prognosis buruk

Page 3: Hasil( Jurding Translation) Fix

(Tambahan Gambar 8). Kami akhirnya memverifikasi bahwa Metode meta-analisis pelatihan kami lebih unggul daripada pelatihan-studi tunggal (Tambahan Gambar 9).

Gambar 3. Validasi tanda tangan hidup di data independen 9,13,16,19,28-30. A-E) Risiko stratifikasi dalam lima validasi microarray dataset dari tahap akhir, bermutu tinggi, kanker ovarium serosa oleh model dilatih pada semua dataset enam pelatihan (Gambar 2). The Gillet et al. Reversetranscription polymerase chain dataset validasi reaksi 28 diuji hanya 12 dari 200 gen dalam signature, namun, baik gen kanker yang ditandai seperti APC, RB1, dan PDGFRB. Sisa empat dataset memiliki kurang dari 75 sampel yang kita perlukan untuk pelatihan 13,29,30 atau diterbitkan setelah model kita diselesaikan 16. Nilai ambang batas untuk risiko tinggi dan rendah yang lagi ditentukan dengan menghitung median dari skor risiko pasien dikombinasikan dalam data pelatihan. F) Kinerja dalam semua tahap awal, bermutu tinggi, sampel serosa dari The Kanker Genome Atlas (TCGA) data. Nilai P dihitung dengan log-rank tes. Semua uji statistik dua sisi. G) Kami lebih menguji model dalam dataset di mana informasi survival hanya tersedia sebagai hasil biner (jangka panjang vs selamat jangka pendek) 19. Prediksi Model memperkirakan probabilitas kelangsungan hidup dan jangka pendek akurasi ditunjukkan dengan receiver operasi kurva karakteristik. Kurva ini menunjukkan kebenaran dan tingkat positif palsu untuk semua nilai ambang batas yang mungkin untukskor prediksi terus menerus. Benar positif diklasifikasikan dengan benar hidup jangka pendek. * Area di bawah kurva (AUC) statistik signifikan lebih besar dari 0,5 [tes DeLong 23].

Pengembangan Signature Gene untuk Memprediksi Debulking Bedah suboptimal

Menggunakan pendekatan pembangunan signature dengan meta-analisis yang sama, kita mengembangkan signature gen untuk memprediksi keberhaasilan debulking pada operasi (Tambahan Tabel 1). Kami harapkan signature ini berbeda dari signature hidup karena dasar

Page 4: Hasil( Jurding Translation) Fix

biologis untuk operasi pengangkatan jaringan tumor secara belum tentu sama dengan kelangsungan hidup pasien. Kami menggunakan semua delapan dataset tahap akhir microarray dengan tersedianya informasi debulking (Tabel 1), tidak termasuk setengah dari Bonome et al. sampel (n = 78) untuk validasi QRT-PCR.

Gambar 4. Gabungan perbandingan novel meta-analisis tanda tangan gen kami dengan faktor-faktor yang ada dan signature yang diusulkan oleh The Kanker Genome Atlas (TCGA). Angka ini memberikan pandangan ringkasan baik meninggalkan satu studi validasi silang dan kinerja validasi independen yang ditunjukkan pada Gambar 2 dan 3.) Ringkasan stratifikasi risiko pada Gambar 2 dan 3 dalam satu Kaplan-Meier Plot [semua studi (Tabel 1), tidak termasuk kohort TCGA sehingga perbandingan dengan signature TCGA bisa dibuat 6,8,10,13,15,16,28-

30. Plot ini membandingkan kelangsungan hidup semua pasien tergolong berisiko tinggi ini meta-analisis dengan semua berisiko rendah pasien. B) stratifikasi risiko berdasarkan pada lima kali lipat lintas-divalidasi multivariabel model menggunakan kelompok risiko signature gen (tinggi vs risiko rendah) dan tahap tumor covariables kategoris (III vs IV) dan status debulking (Optimal vs suboptimal). Ukuran sampel yang lebih kecil muncul karena hilang penjelasan klinis. Stratifikasi C) Risiko berdasarkan lima kali lipat lintas-divalidasi Model multivariabel menggunakan stadium tumor dan debulking statusnya saja. D) Ringkasan stratifikasi risiko dengan tanda tangan gen TCGA (9) atas semua kohort tidak termasuk TCGA, seperti di panel A. E) Ringkasan stratifikasi risiko oleh Verhaak et al. survival signature 18, seperti dalam panel A. F) Ringkasan stratifikasi risiko dengan model multivariabel diusulkan oleh Verhaak et al. menggunakan signature kelangsungan hidup mereka, TCGA skor subtipe terus menerus, serta status debulking kategoris dan stadium tumor. Nilai P dihitung dengan uji log-rank. G) Plot Forest memberikan visualisasi alternatif dari bahaya rasio (HR) yang ditunjukkan pada plot Kaplan-Meier pada Gambar 2 dan 3 dan termasuk perbandingan dengan rasio hazard yang sesuai dari TCGA dan Verhaak et al. model dalam semua dataset secara terpisah. Squares menunjukkan rasio hazard titik perkiraan, dengan ukuran sesuai dengan bobot mereka di -efek tetap ringkasan meta-analisis (kebalikan dari standar kuadrat error); garis horizontal menunjukkan interval kepercayaan 95% (CI); dan berlian di acara bawah tetap efek ringkasan dari rasio hazard atas semua ditampilkan dataset. Catatan bahwa ini ringkasan tetap efek sesuai dengan rasio hazard ditampilkan dalam ringkasan Kaplan-Meier plot di panel A, D, dan E. Semua uji statistik dua sisi.

Page 5: Hasil( Jurding Translation) Fix

Kami pertama kali menguji pendekatan pelatihan dataset kami dengan meniggalkan satu dataset validasi. Prediksi akurat status debulking terbukti menjadi lebih sulit, dengan luas keseluruhan di bawah kurva 0,59 (95% CI = 0,55-0,63) (Tambahan Gambar 10, tersedia secara online). Dalam data yang sama, signature yang diterbitkan oleh Berchuck et al.25

mencapai area di bawah kurva dari 0,54 (95% CI = 0,49-0,58) (Tambahan Gambar 11 dan Tambahan Tabel 3). Ekspresi peringkat tinggi mengenai POSTN saja mencapai akurasi prediksi sangat mirip dengan signature kami (Tambahan Gambar 12). Dalam 1109 sampel microarray baik dengan debulking dan informasi kelangsungan hidup, tingkat POSTN yang tinggi merupakan prognostik kelangsungan hidup setelah disesuaikan dengan status debulking (P = .04; disesuaikan P <.001). Akurasi prediksi kuat untuk parameter pilihan model pelatihan (Angka Tambahan 13 dan 14).

Gambar 5. Analisis Pathway dari signature debulking. Menggunakan Pathway Studio 7.1 (Ariadne Genomics) perangkat lunak dan tanda signature 200 gen debulking terkait, kami mengidentifikasi jalur statistik secara signifikan terkait dengan operasi debulking suboptimal. Gen A diberi label merah ketika diekspresikan pada tumor yang kemudian suboptimally debulked. Sebaliknya, gen diekspresikan pada tumor dengan cytoreduction optimal diberi label dengan warna biru. gen dengan daya prediksi terhadap prognosis buruk berdasarkan meta-analisis yang disorot dengan perbatasan merah muda. Panah merah patah menunjukkan stimulasi langsung modifikasi. Panah hijau menunjukkan EGR-1 berbasis transkripsi peraturan. Panah oranye menunjukkan TGF-β / Smad-berdasarkan transkripsi peraturan. Panah padat biru menunjukkan peraturan langsung lainnya. Panah biru patah menunjukkan peraturan tidak langsung lainnya. Tongkat ungu menunjukkan pengikatan.

Page 6: Hasil( Jurding Translation) Fix

Analisis Persiapan Berkontribusi suboptimal Bedah Cytoreductive

Untuk menjelajahi dasar molekuler yang mendasari signature debulking kami, kami menganalisis signature gen untuk mengidentifikasi jalur biologis yang relevan terhadap penyakit yang suboptimal. Aplikasi dari identifikasi jalur software (Pathway studio 7.1; Ariadne Genomics, Rockville, MD) mengidentifikasi aktivasi yang berlebih TGF-β / Smad sinyal (jalur analisis pengayaan, P = 0,004) dan aktivasi potensi RTK / Ras / MAPK / Egr-1, AMPK / Egr-1, dan Hedgehog / Gli memberikan sinyal di tumor suboptimally yang didebulking (Gambar 5). Resultan transkripsi jaringan menyebabkan peningkatan regulasi gen yang mendukung penyebaran tumor, yang mengurangi kemungkinan jumlah operasi pengangkatan, mengurangi kemungkinan debulking optimal. Potensi molekuler bertanggung jawab atas hasil bedah suboptimal yang melibatkan migrasi dan invasi (MMP2, Plau, SERPINE1, TIMP3, POSTN, VCAN, fn1, TGFBI, SPARC, dan CYR61) 31-38, angiogenesis (EGR1, Smads, Glis, VCAN, POSTN, CNY61, dan LOX) 39-45, kolonisasi metastatik (POSTN, VCAN, dan LOX) 46-48, dan aktivasi fibroblas tumor terkait (ACTA2 dan FAP), yang memainkan peran penting dalam modulasi lingkungan mikro tumor melalui sekresi faktor pertumbuhan dan renovasi matriks ekstraseluler untuk mendukung penyebaran tumor melalui metastasis dan angiogenesis 49,50.

Gambar 6. Validasi gen yang dipilih terkait dengan status debulking oleh reverse-transkripsi polymerase chain reaction kuantitatif (qRTPCR) di Bonome et al.

validasi data (n = 78). A) foldchanges diamati di suboptimal vs tumor optimal dan deviasi standar gen mereka dengan statistik signifikan (P <.05, Mahasiswa dua

sisi uji t) ekspresi yang berbeda antara kedua kelompok. B) Prediksi akurasi model multivariabel di mana QRT-PCR-divalidasi gen sama-sama berbobot. Sampel

kami secara bertingkat ke dalam kelompok berisiko tinggi dan rendah untuk operasi secara optimal berdasarkan tertiles dari skor risiko multivariabel: 33% dari

pasien dengan skor risiko tertinggi adalah yang diklasifikasikan sebagai risiko tinggi, 33% dengan skor risiko terendah diklasifikasikan sebagai risiko rendah, dan

sisanya yang diklasifikasikan sebagai risiko menengah. Antara tinggi-dan kelompok berisiko rendah, 76,9% dari sampel diklasifikasikan dengan benar.

Keakuratan prediksi risiko multivariabel selanjutnya ditampilkan dengan penerima operasi kurva karakteristik. * Area di bawah kurva (AUC) secara signifikan

lebih besar dari 0,5 [tes DeLong 23].