建设MicroRNA-Based诺模图预测乳腺癌患者的肺转移

介绍

乳腺癌(BC)是最常见的癌症诊断(不包括皮肤癌)和癌症死亡的第二大原因在美国女性(DeSantis et al ., 2019)和全球。大多数BC-related均死于远处转移,成为主要的损伤是致命的即使删除(诺特et al ., 2018)。公元前往往差异转移到骨头里,脑、肝、肺、遥远的淋巴结。肺转移特别是公元前往往发生在最初的5年的诊断和明显影响患者的预后(Medeiros和艾伦,2019)。因此,它具有十分重要的临床重要性选择患者容易肺转移,这样他们可以受益于预防治疗和早期诊断。

目前,传统的节点转移肿瘤TNM分期系统是一个标准的工具,风险评估在临床实践中。然而,公元前患者相同的阶段可以有不同的临床结果(王et al ., 2019)。TNM分期系统主要是基于解剖信息,不能把重要的病理参数和生理变化,发生在公元前。淋巴和造血的传播传播的机制是不同的,这可能是原因之一为穷人转移TNM分期系统的预测能力。因此,新方法来识别患者可能有肺转移是必要的。

小分子核糖核酸(microrna)很小,非编码单链rna(年龄在18岁至25岁之间核苷酸)和负调节基因的表达被绑定的互补序列(3 ' UTR) 3 '端非翻译区mrna (林和格雷戈里,2015年)。越来越多的证据表明,microrna各种生理和病理过程中扮演关键的角色,包括许多拟议机制的癌症转移(Pencheva Tavazoie, 2013)。先前的研究已经提出了某些microrna的协会与肺转移,包括mir - 629 - 3 - p, mir - 106 b - 5 - p,等等(Schrijver et al ., 2017;王et al ., 2017)。然而,由于公元前的生物学异质性,综合预测模型将多个生物标志物,而不是一个单一的参数,可以提高预测精度。诺模图构造的基础上已知的预测变量被广泛用于预测个体病人的具体结果(Iasonos et al ., 2008)。有报道称,临床variables-based列线图和microrna的签名可以用来预测在公元前远处转移患者(戴培杰et al ., 2015;Rohan et al ., 2019),但并没有文献关于综合肺转移预测模型。我们假设我们的新模型的基础上,结合预测microrna和临床病理的变量可以提高预测的精度公元前患者的肺部转移和延长生存期。

因此,本研究的目的是建立和验证一个全面的诺模图,结合microrna签名和clinical-related风险特征的个人预测肺转移BC病人的状态。新的预测模型与传统的TNM分期系统为了确定其可靠性。协助与这个模型中,临床医生可以评估BC病人的肺转移风险,因此选择适当的医疗检查和优化治疗方案。

材料和方法

数据选择和数据处理

确定肺metastasis-related microrna在公元前mRNA,公共数据集与匹配的microrna的信使rna,临床数据被用于这项研究。一个欧洲Genome-phenome存档(RRID: SCR_004944),¹EGAS00000000122(乳腺癌的分子分类学国际财团,METABRIC microrna的景观;柯蒂斯et al ., 2012;Dvinge et al ., 2013公元前1302年),总共包含了患者与mRNA (EGAD00010000434)和microrna (EGAD00010000438)数据。入选标准包括:(1)样品没有肺转移或转移(NM);(2)样品都mRNA和microrna的表达数据;和(3)样本有完整的临床资料。大约439名患者选择在后续分析。其中包括(n= 439),327个样本作为训练队列被随机分配,其余的被指定为一个内部验证队列基于计算机数字生成器(补充表S1)。公元前1109年的大约449病人的癌症基因组图谱(TCGA)数据集(RRID: SCR_003193)选择根据外部验证队列(入选标准一样网络,2012;补充表S1)。²的方法获取和应用程序遵守方针、政策。没有必要获得通知病人同意TCGA METABRIC和数据库,因为他们获得的数据不包括信息,可以用来识别个人的病人。

发展miRNA-Based风险评分

METABRIC数据集在公元前439年的患者,患者的两个子集定义基于他们转移状态:肺转移组(那些有肺转移)和纳米组(那些没有转移到最后随访报告)。我们确认853 microrna注释METABRIC数据集,和差异表达microrna (DEmiRNAs)两组之间使用LIMMA包R (里奇et al ., 2015;LIMMA RRID: SCR_010943)。前20名的和最重要的foldchanges DEmiRNAs,四个microrna从高度相关双(r> 0.8,魏和Simko 2017)。绝对最小的收缩和选择操作符(套索)方法(弗里德曼et al ., 2010)是用于选择最有用的预测从16个microrna肺metastasis-related DEmiRNAs训练队列,构造一个基于eight-miRNA风险评分预测肺转移状态BC患者的训练集,每个病人的风险评分计算通过的线性组合选择microrna被各自的加权系数。

最佳分界点决心使用接受者操作特征(ROC)曲线,对样本进行分类为低(≤0.168)和高危组(> 0.168)。kaplan meier(公里)生存分析与生存率较实施生存比较两组之间的差异(Kassambara et al ., 2017)。然后公里分析与生存率较也是实现显示预测microrna的表达和预后之间的关系在外部验证队列。

建设和验证miRNA-Based LM预测列线图

单变量逻辑回归分析的预测能力比较eight-miRNA风险评分和临床参数包括诊断年龄、肿瘤大小、TNM阶段,年级,雌激素受体(ER)状态,孕激素受体(PR)的地位,人类表皮生长因子受体2 (HER2)状态,和激素疗法。此外,我们用多元逻辑回归分析确定eight-miRNA风险评分可以肺转移的一个独立预测因素在公元前的病人。其他临床参数的值p小于0.1的单变量逻辑回归分析也被纳入分析。复合诺模图构造了基于所有独立的预测参数接受上面的多元逻辑回归分析预测肺转移率(哈勒尔,2013),是一个预测模型的图形表示。

中华民国曲线被绘制的敏感性和特异性进行评估独立预测参数包括eight-miRNA签名,诊断、年龄TNM阶段,miRNA-based列线图在预测肺转移唱et al ., 2005)。接受者操作特征曲线下的面积(AUC)也计算进行比较的歧视性的能力高于预测参数。校准曲线实施评估的校准能力miRNA-based列线图,伴随着Hosmer-Lemeshow测试(克莱默和齐默尔曼,2007年)。列线图的预测和观察到的结果可以在校准曲线相比,虽然45度斜行代表了理想的预测。净再次分级改善新名词和集成歧视(伊迪)被用来量化的改善我们提供的敏感性和特异性miRNA-based列线图与TNM分期系统(茶室et al ., 2011)。新名词是基于再次分级表由患者和没有事件和可以量化正确的重新分类类别(Pencina et al ., 2011)。伊迪总结了新模式在多大程度上增加患者的风险事件和减少风险的病人没有事件(Pencina et al ., 2008;Chipman和布劳恩,2017年)。我们使用decision-curve分析(DCA)来测试我们的临床适用性miRNA-based诺模图模型,量化带来的净收益在不同阈值的概率。DCA是由增加好处(真阳性)和减少危害(假阳性;维氏和艾尔金,2006年;维氏et al ., 2008)。

识别潜在的目标预测microrna miRNA-mRNA网络和建筑相关的肺转移

八的目标基因预测microrna首次预测和分析使用miRWalk3.0 (RRID: SCR_016509;Sticht et al ., 2018),³miRDB (RRID: SCR_010848;陈和王出版社,2020年版),⁴TargetScan (RRID: SCR_010845;南et al ., 2014),⁵和miRTarBase (RRID: SCR_017355;周et al ., 2018)。⁶信使rna将被视为一种microrna的目标如果mRNA预测在所有三个目标在网上预测算法(miRWalk miRDB和miRTarBase)或可以发现在实验验证数据库(miRTarBase)。我们还获得匹配的mRNA转录组数据(RRID: SCR_004944 EGAD00010000434)的患者参与的分析识别DEmiRNAs。⁷3791个差异表达mrna (DEmRNAs)肺转移组和无转移组之间使用LIMMA包r . CytoHubba插件(RRID: SCR_017677) Cytoscape (RRID: SCR_003032)是用来预测中心目标基因的基因调节或下调microrna (下巴et al ., 2014)。⁸miRNA-mRNA网络也与Cytoscape可视化软件。

目标基因的功能富集分析预测microrna

筛选重叠目标基因的每个microrna的单独或中心的基因调节或下调microrna基因本体论(去)富集分析和京都基因和基因组的百科全书(KEGG)通路进行分析(clusterProfiler RRID: SCR_016884;Yu et al ., 2012;沃尔特et al ., 2015)。统计上显著的去KEGG术语(p< 0.05)与癌症和转移被确定。

公元前microrna肺转移或独有的识别

微rna转录组数据TCGA的BC病人数据集选择执行两个微分公元前MicroRNA的表达分析的不同子组之间患者。仅约48 DEmiRNAs肺转移患者之间,远处转移患者(肺除外)被确定使用R的DESeq2包(DESeq2 RRID: SCR_015687;爱et al ., 2014)。远处转移患者约90 DEmiRNAs之间(肺除外)和无转移的病人。

microrna的表达数据和相应的六个癌症患者的临床资料(肾上腺皮质癌(ACC),膀胱移行细胞癌(BLCA)肉瘤(不仅),皮肤皮肤黑色素瘤(SKCM),宫颈鳞状细胞癌和子宫腺癌(塞斯克)和胃腺癌(STAD)]从TCGA数据库下载。DEmiRNAs肺转移患者与患者之间没有转移被确定在每个使用R的DESeq2包类型的癌症。

统计分析

所有与SPSS统计分析软件(RRID: SCR_002865)和R软件(版本4.0.0;RRID: SCR_001905)。^9,10一个双边的概率值p< 0.05被认为是具有统计学意义。

结果

人口统计学和临床病理的特点

479 BC TCGA病人从METABRIC和公元前449年病人被纳入本研究。基线的临床和病理特征研究参与者的培训和两组验证中列出表1。病人的平均年龄是61.11,60.57,和60年的训练和两组验证,分别。肺转移率分别为8.26,7.24,3.56%,培训和两组验证,分别。

识别候选人肺Metastasis-Related microrna在训练队列

METABRIC数据集包括公元前1302年样本,其中479(36.79%)达到了入选标准的分析识别DEmiRNAs。大约327个样本随机分配作为训练队列和其他被分配的内部验证队列基于计算机数字生成器。研究设计的流程图中显示图1。共有184个microrna (p< 0.05)被识别差异表达肺转移患者与患者之间没有转移(图2一个;补充表S2)。大约20最重要的调节和表达下调microrna选择进行相关分析(调节肺转移患者:mir - 663, mir - 210, mir - 1202, mir - 1973, mir - 17, miR-18a, mir - 301 a, mir - 135 b, miR-20a, mir - 17 *;抑制在肺转移患者:mir - 451, miR-26b, mir - 199 b - 5 - p, miR-30a *, miR-10a, miR-10b, miR-30a, mir - 199 - a - 3 - p, mir - 199 - 5 - p和mir - 99 a;补充图S1)。四个microrna (miR-30a *, mir - 199 - 3 - p, mir - 99 a,和miR-18a)从高度相关双下降(r> 0.8)减少多重共线性,为后续模型选择提高稳定性。

发展一个Eight-miRNA签名来区分在公元前病人肺转移状态

在训练队列中,我们使用LASSO-based逻辑回归,确定了八个microrna的16 DEmiRNAs如下:mir - 663, mir - 210, mir - 17, mir - 301 a, mir - 135 b, mir - 451, miR-30a, mir - 199 - 5 - p (图2 b,C)。基于eight-miRNA的风险评分计算基于物流系数。一个最佳分界点决心根据中华民国。然后我们将样本分为低风险(风险评分≤0.168)和(风险评分> 0.168)高危人群。的分布miRNA-based风险评分,总生存期(OS),操作系统状态和八个microrna的表达谱训练队列所示图2 d。五个风险调节microrna确定肺部转移情况下表现出高风险的高表达组和三个保护表达下调microrna在低风险高表达组。和更高的风险分数往往患者预后差,但未达到显著水平(p= 0.078)(图2 e)。年龄分层分析表明miRNAs-based风险评分预测预后在45 - 70岁的人(补充图S2)。

建立计算图表预测肺转移状态合并microrna签名和Clinical-Related因素

在训练队列,根据单变量逻辑回归分析的结果,eight-miRNA签名,和五个临床危险因素(年龄诊断、肿瘤大小、等级、TNM阶段,和HER2状态)的值p小于0.1包含在多元回归分析评估肺转移的独立危险因素表2)。多元逻辑回归分析是用于开发一个诺模图模型,发现年龄诊断、TNM阶段,eight-miRNA签名显著增加肺转移的可能性图3)。的AUC miRNA-based诺模图模型为0.774 (95% CI, 0.669 - -0.879)训练队列(表3;图4一)。的校准曲线miRNA-based诺模图非常接近标准的45度的对角线,显示良好的校准培训组(图4 d)。

评估Eight-miRNA群签名和诺模图模型验证

然后我们检查我们eight-miRNA签名和诺模图模型的预测能力在两个验证军团。miRNA-based危险分数的分布,操作系统,操作系统状态和预测microrna的表达谱的内部验证军团所示补充图S3A。eight-miRNA签名和miRNA-based诺模图模型显示的AUC 0.754 (95% CI, 0.561 - -0.946)和0.763 (95% CI, 0.597 - -0.929),肺转移风险预测,分别是(表3;图4 b)。的校准曲线miRNA-based列线图也表现出了良好的一致预测风险和实际风险之间的内部验证队列(图4 e)。

一个独立的外部验证的449名患者完成上述要求招募TCGA的数据集。共有七个八个microrna的确认在我们的研究中发现了TCGA microrna的数据集(mir - 663除外)。miRNA-based危险分数的分布,操作系统,操作系统状态和预测microrna的表达谱的外部验证军团所示补充图S3B。其中,四个microrna的表达明显升高与贫穷有关操作系统和无病生存期(DFS) (mir - 210, mir - 451 a, mir - 135 b和mir - 17) (图5一个- - - - - -D,F- - - - - -我)。同时,更高的表达miR-30a表示更好的操作系统和DFS (图5 e,J)。由于不同的序列平台中使用的外部验证队列,外部验证的风险评分使用七个microrna队列了。最优的分界点是由中华民国二分样品为低和高危人群。患者更高的microrna的风险分数往往比那些有风险的得分越低预后差(图5 k,l)。除了预测操作系统和DFS, microrna的风险评分也显著相关肺转移的风险单变量和多变量逻辑回归分析(表4)。microrna的签名和miRNA-based诺模图模型显示的AUC 0.711 (95% CI, 0.608 - -0.815)和0.925 (95% CI, 0.846 - -1.000)分别为肺转移风险的估计(表3;图4 c)。校准图表明,预测风险的诺模图是在好根据实际风险(图4 f)。

比较与其他预后标记

目前,传统的TNM分期系统是标准的风险评估在临床实践的工具。比较AUC时,我们发现miRNA-based预测诺模图实现了更好的预测精度比TNM阶段训练队列和两组验证(表3)。个新名词和伊迪被用来比较之间的区别的能力模型和TNM阶段。TNM阶段相比,miRNA-based预测列线图的新名词值分别为0.216 (95% CI, 0.048 - -0.384,价值p= 0.012),0.307(95%可信区间,0.020 - -0.594,价值p= 0.036)和0.308 (95% CI, 0.081 - -0.535,价值p培训组= 0.008),两组验证,分别为(表5)。miRNA-based预测列线图的伊迪值为0.065 (95% CI, 0.015 - -0.115,价值p= 0.011),0.093(95%可信区间,0.021 - -0.165,价值p= 0.011),和0.025 (95% CI, 0.048−-0.098的价值p培训组= 0.500),两组验证,分别为(表5)。新名词和伊迪表示我们模型的预测能力优于TNM分期系统。

Decision-curve分析进行比较的临床使用列线图的TNM分期系统(斯图尔特et al ., 2005;图4 g- - - - - -我)。决策曲线在培训和外部验证组显示,如果阈值概率是0和0.60之间(内部验证队列,阈值概率是0和0.40之间),使用miRNA-based诺模图预测肺转移增加了更多的好处比治疗要么全部或任何患者。DCA的净效益还表示,miRNA-based诺模图模型相当,与几个重叠,甚至优于TNM分期系统。总的来说,这些结果显示的优越性miRNA-based列线图的肺转移预测性能相比TNM阶段。

识别潜在的目标预测microrna和他们的角色在肺转移

我们确定了基因预测microrna使用的目标在网上预测(TargetScan miRWalk和miRDB)和实验验证microRNA数据库(miRTarBase)。我们还获得匹配的mRNA转录组数据分析病人的识别DEmiRNAs。大约3791个基因差异表达,其中1710是调节和表达下调(2081图6;补充表S3)。使用匹配的mRNA数据集的好处是,它作为一种方法来确定目标基因的功能验证预测算法(Krishnan et al ., 2015)。我们进一步用维恩图发现重叠DEmRNAs和microrna基因目标继续随后的分析(图6 b;补充表S4)。

基因和基因组的基因本体和京都百科全书通路富集分析每个预测microrna的重叠的目标基因。在pro-metastatic microrna, mir - 17主要干扰细胞周期阻滞(BP),有丝分裂检查点(BP) G1 / S过渡,积极调节自噬(BP),信号转导,p53类中介(BP),粘着斑(KEGG)信号通路调节干细胞的多能性(KEGG),调节肌动蛋白细胞骨架(KEGG)和河马信号通路(KEGG;补充数据S4A,B)。mir - 210负面影响乳酸代谢过程(BP), post-embryonic动物器官发展(BP)和负调节血管通透性(英国石油公司;补充图自己)。另一个pro-metastatic mir - 663强入侵目标肿瘤细胞的肌动蛋白丝聚合(BP),细胞基质连接组装(BP),细胞基质连接组装(BP),粘着斑组装(BP)和肌动蛋白丝组织(英国石油公司;补充图S4D)。保护miR-30a被发现能够抑制PI3K-Akt信号通路(KEGG), Ras信号通路(KEGG) IL-17信号通路(KEGG),雌激素信号通路(KEGG)、MAPK信号通路(KEGG), Wnt信号通路(KEGG)和ERBB信号通路(KEGG;补充图S4E)。没有条件丰富仅在其他microrna的富集分析。

这些microrna运作在生物体,所以我们试图找出五调节三个表达下调microrna的角色作为一个整体。中心目标基因的基因5调节三个表达下调microrna生成识别中央pro-metastatic和anti-metastatic生物网络的元素(补充表S5)。miRNA-mRNA交互的网络中心5基因调节三个表达下调microrna策划(图6 c,D)。转移级联是由一系列连续的事件,涉及细胞从原发肿瘤超然,这些细胞的侵入周围组织,内渗迁移,逮捕,溢出到遥远的组织,形成转移(兰伯特et al ., 2017)。去分析也表现为中心5基因调节三个表达下调microrna (图6 e,F;补充表S6)。我们发现我们的预测microrna参与最上面的事件,从而促进肺转移。他们抑制癌细胞和矩阵之间的附着力促进了脉管系统开发和血性的转移,促进扩散,然后适应肺形成转移。

miR-30a和mir - 135 b有独特的角色在公元前的肺转移

为了确定这些公元前八预测microrna是独特的肺转移患者中,我们首次发现DEmiRNAs肺转移患者之间只有和远处转移患者除了肺(补充表S7,S8)。基线的临床和病理特征研究参与者在比较中列出表6。远处转移的患者相比,除了肺保护miR-30a肺转移患者被发现表达下调。相反,mir - 135 b只是调节患者的肺转移。此外,我们承认DEmiRNAs远处转移患者之间除了肺和病人没有转移(表6;补充表S7,S8)。mir - 135 b的表达水平和mir - 17下调在远处转移患者除了肺。为了进一步确认是否这三个microrna在公元前lung-metastasis-specific病人,我们执行点情节的表达水平与远处转移的病人除了肺,肺转移患者,患者没有转移(图7)。公元前miR-30a的表达水平极低的患者肺转移,而mir - 135 b的表达水平在公元前极高的肺转移患者。这些分析识别DEmiRNAs在公元前不同子组的患者显示miR-30a独特的角色和mir - 135 b BC的肺转移。

Pan-Cancer八预测microrna的表达水平分析肺转移患者,没有转移

我们执行微分microrna的表达分析肺转移患者与患者之间没有在六个癌症转移(ACC, BLCA,不仅SKCM,塞斯克,STAD;补充表S9,S10)。mir - 663的表达水平没有发现这些数据集。这些预测microrna的表达水平的分布在六个癌症类型也呈现(补充数据S5A- - - - - -F)。综合分析表明,与没有转移的病人相比,mir - 210在ACC调节,不仅患者肺转移。mir - 199 a的表达水平——5 - p在BLCA肺转移患者高,而mir - 199 a的表达水平- 5 - p在不仅降低肺转移患者。mir - 17在不仅调节肺转移患者。mir - 135 b的表达水平升高在ACC发现肺转移患者。的表达水平没有转移的病人相比,miR-30a在ACC抑制肺转移患者。

讨论

基于监测、流行病学、最终结果(SEER)数据库,BC肺转移患者的生存时间中位数是21个月,只有15.5%的患者存活3年以上(肖et al ., 2018)。一旦发生转移,在很大程度上是无法治愈的疾病。有效预测标志物的构建一个精确的诺模图模型来预测BC病人的肺转移状态是一个明智的选择应用于临床实践。目前,TNM分期系统通常用于评估公元前患者的转移概率。但是,正如上面所讨论的,一个临床参数预测结果的力量有限。我们首次提出,公元前肺转移患者可能具有独特的临床病理的特点和microrna的表达谱,可以区分自己从那些没有肺转移。

亚组分析显示,miR-30a和mir - 135 b具有不同的角色在公元前肺转移的病人。miR-30报道能够稳定肺血管,抑制肺血管在premetastatic阶段研究进展(Qi et al ., 2015)。mir - 135 b的作用在公元前患者仍存在争议。mir - 135 b减少ERα-positive BC的增殖细胞(Aakula et al ., 2015),但促进增殖和入侵三阴乳腺癌(TNBC)表达下调APC表达式(Lv et al ., 2019)。TNBC尤其倾向于转移到肺部(福克斯et al ., 2010)),这可以部分解释的独特性mir - 135 b的肺转移。这些microrna在肺的确切角色研究在某种程度上,还需要进一步的研究来填补这一缺口。

microrna的意义是更好地欣赏方面的潜在功能对生物学途径的影响,这些影响病人的结果(Krishnan et al ., 2015)。肿瘤转移是一个复杂的过程,转移的结果取决于肿瘤细胞之间的相互作用和给定的微环境。我们可以看到的目标识别microrna丰富了细胞增殖,入侵,和迁移,参与整个监管过程的转移。在肺转移,转移性肿瘤细胞会重写他们的生物学和表达谱适应遥远的微环境,与完整的能力赋予肿瘤细胞产物的肺。因此,我们还发现了一些特定于肺微环境适应性。miR-30a的目标,SEMA3A据报道,调节远端肺上皮细胞发展和肺泡分隔作用,也被发现调节肺转移患者贝克尔et al ., 2011)。转化生长因子β公元前(TGFβ)促进转移到肺部但这是可有可无的骨转移(陈et al ., 2018)。我们确定了“积极的监管TGFβ生产”丰富了患者的肺转移。条款有关肺如“肺发展”和“参与肺上皮细胞管分支形态发生”也被确认分析。

我们还进行了pan-cancer分析找出是否特定于公元前八预测microrna。一些microrna在不同癌症类型一致的效果,如miR-30a, mir - 17, mir - 451 a,和mir - 135 b,而其他人则显示有争议的影响,如mir - 210, mir - 301 a, mir - 199 a。先前的研究还发现了这些预测的角色microrna在其他类型的肺转移癌(Qi et al ., 2015;Kai et al ., 2016;金et al ., 2017;徐et al ., 2019;王et al ., 2020)。mir - 17, mir - 135 b和mir - 210促进癌细胞转移到肺部,而miR-30a和mir - 451 a抑制肺转移,我们的结果会产生类似的效果。缺乏研究和mir - 663的缺失的数据表明,它为未来的研究可以作为一个有吸引力的目标。此外,microrna的观念产生致癌基因和肿瘤抑制效果提出了(Rohan et al ., 2019)。一个microrna可以调节数百个基因的表达。microrna的影响在每个情况下的平衡取决于pro-tumor和抗肿瘤的途径。多个生物因素可以影响平衡,如细胞和微环境之间的相互作用,能源供应,等等。虽然两个microrna在pan-cancer冲突的角色分析,整体一致性表示重要的这八个microrna在肺转移的重要性。

单变量和多变量逻辑回归分析表明,eight-miRNA签名可以是一个独立的危险因素在训练和验证军团。eight-miRNA签名的AUC肺转移预测显示,比这个小一点的TNM分期系统培训和外部验证队列。因此,全面建立了预测计算图表整合风险评分和常规临床参数包括阶段和年龄,所有的验证作为一个独立的危险因素使用单变量和多变量逻辑回归分析公元前的肺转移状态的病人。除了AUC,校准的阴谋也被用来评估歧视诺模图模型的性能。虽然总体趋势符合45度理想的对角线,然而标定图显示一些偏差,这可能由于有限的事件和影响力量。新名词,伊迪和DCA被用来评估之间的预测能力miRNA-based列线图和TNM分期系统。新名词的结果显示的显著改善miRNA-based列线图在所有三个军团,和伊迪的结果表明,计算图表模型提高预测能力,但未能达到显著水平在外部验证队列。DCA结果还表明我们miRNA-based诺模图改进目前的治疗标准,虽然理想模型与积极的净收益模型在任何给定的阈值。

然而,一些我们的研究应该承认的局限性。首先,由于不同的序列平台,只有七个八个预测microrna在外部验证队列被确定,所以我们没有采用风险分数和截止点生成的训练集的先前的研究建议(Volinia Croce, 2013;Krishnan et al ., 2015;Rohan et al ., 2019)。其次,军团的有限数量的事件可能会影响统计力量。DEmiRNAs之间没有选择套索的方法,也有一些与肺转移马et al ., 2010)。HER2过度已经被证明是一个危险的发展visceral-only转移包括肺(•波特曼列出et al ., 2017)。然而,HER2状态达到显著水平单变量逻辑回归多元逻辑回归但是失败了,所以这是不包括在诺模图模型。最后但并非最不重要,我们强调microrna的监管的复杂性。因此,实验的揭示和验证他们的角色在肺转移在未来是至关重要的。

在这项研究中,我们构建了一个基于多个肺metastasis-related microrna的诺模图模型和临床危险因素预测公元前患者的肺转移。我们筛选的高通量序列数据探索DEmiRNAs METABRIC数据库和使用套索的方法来识别一个eight-miRNA签名。多元物流的风险评分计算系数乘以microrna的表达。风险评分和临床危险因素组合在一起,构建一个miRNA-based诺模图,评估校准情节,ROC分析,新名词,伊迪和DCA。也执行内部和外部验证评估诺模图模型。功能富集分析来识别潜在的生物八预测microrna的角色。BC不同远处转移患者的亚组分析显示,miR-30a mir - 135 b, mir - 17在公元前肺转移的具有独特的作用。Pan-cancer分析患者的肺转移或不转移在六个类型的癌症表示重要八预测microrna肺转移的重要性。biomarker-based方法准确地预测公元前的转移状态患者急需精密医学的时代。风险评估是至关重要的,适当的治疗决策和后续策略在公元前的病人。 If a patient has a high probability to have lung metastasis in the future, we might recommend the patient to take a close inspection of the lung and adopt advanced treatment. This model might be able to perform well in all patients, for it was constructed based on large-scale datasets. In addition, this risk score was also a significant factor in affecting survival. Therefore, this nomogram could be used as a supportive graphic tool in clinical practice to facilitate treatment decisions of BC patients.

结论

在我们目前的研究中,我们确定了八个预测microrna从公开数据和构建一个基于eight-miRNA的诺模图,结合其他临床参数包括阶段和年龄预测BC病人的肺转移状态,其预测能力优于传统TNM系统阶段。亚组分析表明,miR-30a mir - 135 b, mir - 17可能有独特的角色在公元前肺转移的病人。的基础上走,KEGG浓缩,和八个microrna pan-cancer分析起着至关重要的作用,在肺转移级联。因此,我们eight-miRNA-based诺模图可能是肺转移预测的重要工具在公元前的病人,帮助在发展中个性化治疗策略。

数据可用性声明

本研究的数据集分析可以发现癌症基因组图谱(https://portal.gdc.cancer.gov/)和欧洲基因组存档(https://ega-archive.org/)。

道德声明

伦理审查和批准没有所需的研究对人类参与者按照地方立法和制度的要求。书面知情同意参与这项研究并不需要按照国家法律和制度需求。

作者的贡献

LZ发起和组织了这次研究。LZ和摩根大通设计和生物信息学进行统计分析,数据,起草了手稿。ZW, CY, JH参与编辑稿件。所有作者的文章和批准提交的版本。

资金

这项工作是由中国国家自然科学基金(没有。81872317,81520108024)。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

确认

本研究的数据集得到癌症基因组图谱数据库和欧洲Genome-phenome存档。我们感谢他们的建立和管理数据库。

补充材料

本文的补充材料在网上可以找到:https://www.雷竞技rebatfrontiersin.org/articles/10.3389/fgene.2020.580138/full补充材料

术语表

脚注

引用