پیش‌بینی طول عمر بیمار سرطانی با روشی جدید
برآورد طول عمر بیمار سرطانی هرگز کار ساده و در عین حال دقیق نبوده است، به تازگی روش آمار جدیدی طراحی شده است که به نظر می‌رسد اطلاعات دقیقی در این رابطه ارائه می‌دهد، اگر چه این روش تا سال آینده و یا بیشتر در دسترس نخواهد بود.
به گزارش کلیک، این روش جدید که با عنوان SURVIV شناخته شده است (بررسی بقا تغییر ایزوفرم mRNA)، عدم قطعیت اندازه گیری نسبت ایزوفرم mRNA را در داده‌های توالی RNA برای پیش‌بینی مدت طول عمر بیمار مدل سازی می‌کند.
بر طبق گزارش‌های محققان، در مطالعات شبیه سازی، این روش نسبت به مدل متداول "رگرسیون کاکس بقای بیماران" به طور مداوم عملکرد بهتری نشان داده است، به ویژه برای مجموعه داده‌هایی با عمق توالی نسبتا کم.
این آزمون‌های شبیه سازی برای شش نوع سرطان مختلف صورت گرفت: کارسینوم مهاجم داکتال (IDC)، گلیوبلاستوم مولتی فرم، گلیوما درجه پایین، کارسینوم سلول‌های روشن کلیوی، کارسینوم سلول سنگفرشی ریه، و سرطان تخمدان.
سرپرست این تحقیقات آقای زینگ یی بیان کرد، با استفاده از داده‌های بزرگ پزشکی که شامل پروفیل‌های مولکولی و بالینی سرطان است، می‌توانیم بیومارکرهای جدید را شناسایی کنیم که در پیش‌بینی و درمان سرطان کمک می‌کنند.
و همچنین، متوجه شدیم که پیش‌بینی‌های مبتنی بر ایزوفرم به طور مداوم بهتر از پیش‌بینی‌های متداول مبتنی بر ژن در تخمین زمان بقا بیمار عمل می‌کنند.امیدواریم که بتوانیم ابزار دقیق و قدرتمند پزشکی فراهم کنیم که در درمانگاه‌ها به منظور راهنمایی برای درمان بیماری سرطان مورد استفاده قرار گیرد. هر چند، روند دردسترس قرار گرفتن این روش، ۱ تا ۳ سال تخمین زده شده است.
آزمون‌های شبیه سازی
دکتر زینگ و همکاران بیش از ۲ سال را صرف توسعه الگوریتم SURVIV کرده اند. آنها نمونه‌های بافت شناسی را از مجموع ۲۶۸۴ بیمار مبتلا به سرطان استفاده کردند.
اولین آزمون شبیه سازی برای ۶۸۲ بیمار مبتلا به سرطان داکت تهاجمی از اطلس ژنوم سرطان‌ها (TCGA) مجموعه داده‌های توالی RNA سرطان پستان انجام شد.
در مقایسه عملکرد SURVIV با مدل متداول "رگرسیون کاکس بقای بیماران" با استفاده از برآورد سطح اگزون گنجانده، محققان مجموعه داده شبیه سازی شده ای از ۶۰۰ نفر طراحی کردند که پارامترهای داده‌های موجود در اطلس ژنوم سرطان‌های پستان IDC را مدل سازی کرد.
در هر شبیه سازی، آنها ۲۰۰۰۰ اگزون جایگزین را متناظر با تعداد رویدادهای پرش اگزون در اطلس ژنوم سرطان‌های پستان IDC شبیه سازی کردند. در مجموع ۹۰ درصد از اگزون‌ها از فرضیه صفر بودند، که اگزون‌ها با زمان بقا ارتباط نداشتند. ۱۰٪ باقیمانده اگزون‌ها از فرضیه جایگزین بودند - که اگزون‌ها با زمان بقا در ارتباط بودند.
سپس داده‌های شبیه سازی در دو حالت مورد استفاده قرار گرفتند: در حالت بدون سانسور، زمان مرگ و بقا هر بیمار شناخته شده بود. در حالت با سانسور، زمان مرگ و بقا شناخته نشده بود. دومی شامل بیمارانی بود که هنوز زنده اند.
محققان نرخ سانسور داده‌های اطلس ژنوم سرطان‌های پستان IDC را با فرض اینکه ۸۵ درصد از بیماران در پایان پژوهش زنده باقی می‌مانند تقلید کردند. همانطور که دکتر زینگ و همکارانش گزارش می‌دهند، در هر دو حالت و با عمق‌های مختلف پوشش توالی RNA، مدل SURVIV نسبت به رگرسیون کاکس به طور مداوم با نرخ مثبت واقعی با همان نرخ مثبت کاذب ۵٪ عملکرد بهتری نشان داد.
هنگامی که تجزیه و تحلیل SURVIV برای پنج نوع سرطان دیگر در اطلس ژنوم سرطان انجام شد، گلیوما درجه پایین قویترین نرخ بقا را داشت.
بررسی انواع مختلف مدل‌های پیش‌بینی نشان داد که مدلی که بتواند داده‌های بالینی، حالت ژن، و داده‌های پیرایش جایگزین را ترکیب کند به طور قابل توجهی عملکرد بهتری نسبت به هر نوع مدل پیش‌بینی خواهد داشت.
در حال حاضر این تیم تحقیقاتی مدل SURVIV را برای مجموعه داده‌های بسیار بزرگتری از انواع مختلف سرطان به منظور توسعه پیش‌بینی قابل اطمینان تر بقا بیمار به کار گرفته است. امید می‌رود که این روش برای پیش‌بینی نتایج بیماری‌های دیگر نیز به کار رود.