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, tersedia secara online) untuk mengukur sejauh mana
Pendekatan latihan kami menghasilkan signature yang konsisten di semua studi. Setelah
menerapkan cuti-satu-dataset-out crossvalidation ke dataset pelatihan, kami menemukan
pasien diklasifikasikan sebagai berisiko tinggi untuk secara konsisten memiliki kelangsungan
hidup secara signifikan lebih pendek dari pasien berisiko rendah (Gambar 2).
Kemudian kami melatih ulang signature (Tambahan Tabel 1, tersedia online) menggunakan
semua enam dataset pelatihan dan dilakukan eksternal validasi di tujuh dataset independen
tambahan. Termasuk ini dataset QRT-PCR (28), tiga dataset tidak lulus minimal kami sampel
pelatihan ukuran 75 (13,29,30), dataset yang menjadi tersedia setelah model diselesaikan
(16), yang TCGA tahap awal, sampel bermutu tinggi (9), dan dataset yang hidup itu
dijelaskan dengan label biner daripada waktu mati (19). Model kami terus diskriminasi
jangka pendek dari korban jangka panjang di semua dataset tersebut, seperti yang
ditunjukkan oleh analisis Kaplan-Meier dan ROC plot (Gambar 3).

Perbandingan Signature Kelangsungan Hidup Dengan Faktor prognosis yang ada dan
Signatures Gene
Kami membandingkan Kaplan-Meier stratifikasi berdasarkan signature kami untuk yang
didasarkan pada faktor-faktor prognostik klinis, TCGA asli tanda tangan gen (Tambahan
Gambar 4, tersedia secara online) (9), yang baru-baru ini kami diidentifikasi sebagai yang
terbaik signature melakukan diterbitkan sebelum Juli 2012 (6), dan tanda tangan TCGA lebih
baru dikembangkan oleh para peneliti yang sama (Angka Tambahan 5 dan 6, tersedia secara
online) (18). Faktor prognostik klinis meliputi optimal debulking (8), usia, dan stadium tumor
pada diagnosis. Hanya empat dataset tersedia tiga faktor; Namun, tujuh disediakan baik
panggung dan debulking Status (Tabel 1; Tambahan Tabel 2, tersedia secara online).
Sehingga kami fokus pada dua faktor tersebut.
Ketika menggabungkan hasil validasi silang studi dan independen validasi ke ringkasan
tunggal (Gambar 4), stratifikasi pasien menggunakan tanda tangan kami lebih unggul faktor

klinis, serta untuk kedua tanda tangan gen TCGA. Atas semua kohort tidak termasuk TCGA
(n = 1.031 pasien di mana perbandingan langsung dengan Tanda tangan TCGA bisa dibuat),
pasien tergolong berisiko tinggi dengan tanda tangan 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 tanda tangan asli TCGA (HR = 1,83,
95% CI = 1,54-2,17) (Gambar 4D). Termasuk tahap dan status debulking dalam model
prediksi yang disediakan hanya perbaikan kecil di atas tanda tangan gen kita sendiri (P = 02,
kemungkinan uji rasio) (Gambar 4B). Dua tanda tangan yang diusulkan oleh konsorsium
TCGA dilakukan sangat mirip dibandingkan satu sama lain (HR perbedaan = 0.00; 95% CI =
-0,33 untuk 0,34) (Gambar 4, D dan E; Tambahan Gambar 7, tersedia secara online). CIndeks tanda tangan 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 statistik
signifikansi pada skala C-index juga (Hasil Tambahan, tersedia secara online). Analisis
Pathway tanda tangan kami menunjukkan pengayaan TGF- dan PDGF sinyal pada pasien
miskin-prognosis (Tambahan Gambar 8, tersedia secara online). Kami akhirnya
memverifikasi bahwa Metode meta-analisis pelatihan kami lebih unggul pelatihan-studi
tunggal (Tambahan Gambar 9, tersedia secara online).

Pengembangan Signature Gene untuk Memprediksi Debulking Bedah suboptimal

Menggunakan pendekatan pembangunan tanda tangan yang sama meta-analisis, kita
mengembangkan tanda tangan gen untuk memprediksi debulking berhasil operasi (Tambahan
Tabel 1, tersedia secara online). Kami harapkan tanda tangan ini berbeda dari tanda tangan
hidup karena dasar biologis untuk operasi pengangkatan optimal jaringan tumor tidak tentu
sama dengan yang untuk kelangsungan hidup pasien. Kami menggunakan semua delapan
dataset tahap akhir microarray dengan tersedia informasi debulking (Tabel 1), tidak termasuk
setengah dari Bonome et al. sampel (n = 78) untuk validasi oleh QRT-PCR.
Kami pertama kali diuji pelatihan dataset pendekatan kami dengan izin-satu-dataset- validasi.
Prediksi akurat status debulking terbukti menjadi 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, tanda tangan 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, tersedia
secara online). Ekspresi top-peringkat hit POSTN saja mencapai akurasi prediksi sangat mirip
dengan tanda tangan kami (Tambahan Gambar 12, yang tersedia on line). Dalam 1109 sampel
microarray dengan baik debulking dan Informasi kelangsungan hidup, tingkat POSTN tinggi
yang prognostik kelangsungan hidup setelah disesuaikan status debulking (P = .04;
disesuaikan P <.001). Akurasi prediksi adalah kuat untuk pilihan model pelatihan parameter
(Angka Tambahan 13 dan 14, tersedia secara online).

Analisis Persiapan Berkontribusi suboptimal Bedah Cytoreductive

Untuk menjelajahi dasar molekuler yang mendasari tanda tangan debulking kami, kami
menganalisis tanda tangan gen untuk mengidentifikasi jalur biologis yang relevan penyakit
suboptimal. Aplikasi identifikasi jalur software (Pathway studio 7.1; Ariadne Genomics,
Rockville, MD) mengidentifikasi hyperactivation TGF- / Smad sinyal (jalur analisis
pengayaan, P = 0,004) dan aktivasi potensi RTK / Ras / MAPK / Egr-1, AMPK / Egr-1, dan
Hedgehog / Gli sinyal di tumor suboptimally debulked (Gambar 5). Resultan transkripsi
jaringan menyebabkan peningkatan regulasi gen yang mendukung penyebaran tumor, yang
mengurangi kemungkinan jumlah operasi pengangkatan, mengurangi kemungkinan
debulking optimal. Potensi molekul Peristiwa bertanggung jawab atas hasil bedah suboptimal
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 ekstraseluler
renovasi matriks untuk mendukung penyebaran tumor melalui metastasis dan angiogenesis
(49,50).
Validasi Signature debulking oleh QRT-PCR dan Imunohistokimia di Dua Kohort
Independen
Dalam tanda tangan debulking kami, kami memilih tujuh yang sangat berbeda-beda gen
diekspresikan dengan peran biologis dikenal di ovarium tumorigenesis (enam gen diperkaya
dalam jalur ditampilkan di Gambar 5) dan divalidasi tingkat ekspresi mereka dengan QRTPCR dalam kohort independen stadium III dan IV tumor yang terdiri dari 78 sampel dari
Bonome et al. (8), yang kami telah dikeluarkan dari meta-analisis untuk tujuan ini. Dari tujuh
gen diuji, enam adalah statistik signifikan terkait dengan hasil operasi (POSTN: P = .03;
CXCL14: P = .03; FAP: P = 01; NUAK1: P = .03; PTCH1: P = 0,004; TGFBR2: P = 0,005;
TNFAIP6: P = .95; semua uji Student t) (Gambar 6A). Sebuah model menggunakan semua
gen diklasifikasikan 76,9% dari semua sampel benar, dengan luas di bawah kurva dari 0,76
(95% CI = 0,66 0,87) (Gambar 6B). Dengan menggunakan data microarray dinormalisasi
untuk set yang sama pasien, namun hanya mencapai daerah di bawah kurva 0,65 (95% CI =
0,53-0,77) melalui model yang sama, mungkin karena akurasi kuantitatif lebih tinggi dari
QRT-PCR lebih microarray. Area di bawah kurva untuk POSTN qRTPCR- tingkat ekspresi
diukur sendiri adalah 0,65 (95% CI = 0,53 untuk 0,77). Selain ekspresi protein dari tiga
protein tersebut, POSTN, CXCL14 (gen signature), dan pSmad2 / 3 (pengganti penanda
aktivasi jalur TGF-, jalur tanda tangan), adalah divalidasi oleh imunohistokimia dalam
kohort independen 179 pasien. Analisis ini menegaskan hubungan kuat mereka ekspresi
status debulking (Gambar 7; Tambahan Tabel 4, tersedia secara online). Jumlah intensitas
imunohistokimia selama tiga protein ini menyediakan alat yang diklasifikasikan 92,8%
darisampel dalam tinggi dan berisiko rendah kelompok untuk debulking suboptimal dengan
benar, dengan luas di bawah kurva dari 0,89 (95% CI = 0,84 untuk 0.93) (Gambar 7G).