Etablering og klinisk anvendelse af en forudsigelsesmodel for lungekræft fjernmetastaser baseret på de genomiske karakteristika af cirkulerende tumorceller

Lungekræft er den mest almindelige kræfttype i mit land, men 5-års overlevelsestiden for lungekræftpatienter er kun 17 %. Blandt dem er den største årsag, der påvirker patientens prognose, tumorens metastase. Der er meget få kliniske metoder, der er egnede til behandling af metastatisk lungekræft, og den helbredende effekt er ikke god. Derfor er tidlig overvågning og interventioner for at forhindre fjernkolonisering af metastaser nøglen til at forbedre overlevelsen af ​​lungekræft. Den foreløbige forskning af dette projekt viste, at cirkulerende tumorceller i perifert blod kan bruges som et effektivt middel til klinisk diagnose og behandling af lunge maligne tumorer. Gennem analysen af ​​forskellen i tid og rummetastasering af lungekræftpatienter, viser det sig, at genomerne af forskellige metastasestadier og metastatiske organer af lungekræft er ret forskellige og er tæt forbundet med patientens overlevelse. Af denne grund foreslår vi den hypotese, at de genomiske mutationskarakteristika for cirkulerende tumorceller kan detektere tumormetastasesignaler tidligere end CT-billeddiagnose. For at teste denne hypotese vil vi udvikle et kræftmetastaserisikovurderingssystem baseret på tumorgenomik. For det første indsamler vi store data om genomet af primær og metastatisk lungekræft fra offentlige databaser og bruger statistiske metoder til at frasortere genomiske træk, der er signifikant relateret til metastatisk lungekræft og dets metastatiske koloniseringsorganer. For det andet ved at bruge disse funktioner til at udvikle et sæt maskinlæringsmodeller, der kan bestemme risikoen for metastasering af en lungekræft baseret på dens genomegenskaber. Til sidst anvendte vi modellen til klinisk praksis. Ved at detektere de cirkulerende tumorceller hos patienter med primær lungecancer under genundersøgelsen etablerede vi en statistisk støjreduktionsmodel for at udtrække de genomiske karakteristika og derefter erstattet i modellen for at bestemme de cirkulerende tumorceller, som patienten bærer, om der er en risiko af recidiv og metastaser. Ved at sammenligne billeddannelsesdataene i gennemgangen vil vi verificere, om modellen opdager tidlige metastasesignaler for lungekræft tidligere end billeddannelsesmetoder. I sidste ende vil vores model samle genomiske markører relateret til metastaserisiko, udforske deres lægemiddelmålretning og give kraftfuld big data-analysestøtte til tidlig intervention i metastasekolonisering og forlænge overlevelsen af ​​lungekræftpatienter. Hvis emnet er demonstreret, vil det hjælpe med at afklare brugen af ​​tumorgenom big data analyse for at afsløre de genomiske driver mutationer af metastatisk lungekræft; demonstrere gennemførligheden af ​​cirkulerende tumorcellegenomdrivermutationer for at forudsige risikoen for lungekræftmetastaser; og endelig afklare PI3K/Akt/mTOR-signalet Kan hæmmere af pathwayen bruges som mål for tidlig intervention i lungekræftmetastaser.