Die Etablierung und klinische Anwendung eines Vorhersagemodells für Lungenkrebs-Fernmetastasen basierend auf den genomischen Eigenschaften zirkulierender Tumorzellen

Lungenkrebs ist die häufigste Krebsart in meinem Land, aber die 5-Jahres-Überlebenszeit von Lungenkrebspatienten beträgt nur 17 %. Unter ihnen ist der größte Grund, der die Prognose des Patienten beeinflusst, die Metastasierung des Tumors. Es gibt nur sehr wenige klinische Methoden, die für die Behandlung von metastasierendem Lungenkrebs geeignet sind, und die heilende Wirkung ist nicht gut. Daher sind eine frühzeitige Überwachung und Interventionen zur Verhinderung einer Fernbesiedelung von Metastasen der Schlüssel zur Verbesserung des Überlebens von Lungenkrebs. Die vorläufige Forschung dieses Projekts ergab, dass zirkulierende Tumorzellen im peripheren Blut als wirksames Mittel zur klinischen Diagnose und Behandlung von bösartigen Lungentumoren verwendet werden können. Durch die Analyse des zeitlichen und räumlichen Unterschieds bei der Metastasierung von Lungenkrebspatienten wird festgestellt, dass die Genome verschiedener Metastasierungsstadien und metastasierender Organe von Lungenkrebs sehr unterschiedlich sind und eng mit dem Überleben des Patienten zusammenhängen. Aus diesem Grund schlagen wir die Hypothese vor, dass die genomischen Mutationsmerkmale zirkulierender Tumorzellen Tumormetastasensignale früher als die CT-Bildgebungsdiagnose erkennen können. Um diese Hypothese zu testen, werden wir ein auf Tumorgenomik basierendes Risikobewertungssystem für Krebsmetastasen entwickeln. Zunächst sammeln wir Big Data zum Genom von primärem und metastasiertem Lungenkrebs aus öffentlichen Datenbanken und verwenden statistische Methoden, um genomische Merkmale herauszufiltern, die signifikant mit metastasierendem Lungenkrebs und seinen metastasierenden Kolonisationsorganen zusammenhängen. Zweitens, die Verwendung dieser Merkmale zur Entwicklung einer Reihe von Modellen für maschinelles Lernen, die das Metastasierungsrisiko eines Lungenkrebses anhand seiner Genommerkmale bestimmen können. Schließlich wendeten wir das Modell auf die klinische Praxis an. Durch den Nachweis der zirkulierenden Tumorzellen von Patienten mit primärem Lungenkrebs während der Nachuntersuchung haben wir ein statistisches Rauschminderungsmodell erstellt, um die genomischen Merkmale zu extrahieren, und dann in das Modell eingesetzt, um die zirkulierenden Tumorzellen zu bestimmen, die von dem Patienten getragen werden, ob ein Risiko besteht von Rezidiven und Metastasen. Durch den Vergleich der Bildgebungsdaten im Review werden wir überprüfen, ob das Modell frühe Metastasierungssignale von Lungenkrebs früher erkennt als bildgebende Verfahren. Letztendlich wird unser Modell genomische Marker im Zusammenhang mit dem Metastasierungsrisiko aggregieren, deren Wirkstoff-Targeting untersuchen und leistungsstarke Big-Data-Analyseunterstützung für ein frühzeitiges Eingreifen in die Metastasenkolonisierung und die Verlängerung des Überlebens von Lungenkrebspatienten bieten. Wenn das Thema demonstriert wird, wird es helfen, die Verwendung von Tumorgenom-Big-Data-Analysen zu klären, um die genomischen Treibermutationen von metastasierendem Lungenkrebs aufzudecken; Demonstrieren Sie die Machbarkeit von zirkulierenden Tumorzellen-Genomtreibermutationen, um das Risiko von Lungenkrebsmetastasen vorherzusagen; und schließlich das PI3K/Akt/mTOR-Signal klären können Inhibitoren des Signalwegs als Angriffspunkt für eine frühzeitige Intervention bei der Metastasierung von Lungenkrebs verwendet werden.