Umfassende Analyse des Genmutationsprofils bei chinesischen NSCLC-Patienten durch Sequenzierung der nächsten Generation

Das Ziel dieser Studie ist es, ein NSCLC-Genmutationsprofil in China zu erstellen und eine Korrelation zwischen dem Genmutationspanel und dem klinischen Ergebnis zu finden.

Etwa 600 chirurgische Gewebeproben werden während der Operation im Krebskrankenhaus von Tianjin von 2009 bis 2012 entnommen, darunter Plattenepithelkarzinome der Lunge und Adenokarzinome. Der Zielbereich von 295 Genen, darunter Lungenkrebs-Antriebsgene, wichtige Signalweggene und Arzneimittelresistenzgene, wird durch New Generation Sequencing (NGS) tief (durchschnittlich 1000-fach) nachgewiesen. Diese Gene wurden ausgewählt aus Mutationen können die Behandlung steuern oder als Prognosefaktoren in der NCCN/FDA/CFDA-Leitlinie dienen, verwandte Mutationen in Phase-II/III-Studien und NCCN/FDA/CFDA, die bei anderen Tumortypen zugelassen sind, und verwandte Mutationen in Phase I oder vorklinisch Studien und können nicht als Richtschnur für die Behandlung oder als Prognosefaktoren dienen.

Alle in 600 Proben nachgewiesenen Mutationen werden für die Statistik zusammengefasst und der Anteil der Mutationen an der Gesamtpopulation berechnet. Die Clustering-Analyse wird gemäß den mit den Hauptantriebsgenen in Verbindung stehenden biologischen Signalwegen durchgeführt, die Korrelation zwischen Genmutationsdaten und kategorialen klinischen Variablen wird durch Fisher's Exact Test durchgeführt. Der Log-Rank-Test wird verwendet, um die Beziehung zwischen den klinischen Ergebnissen (DFS bzw. OS) und Genmutationen (vorhanden oder nicht vorhanden) oder jedem der klinischen Merkmale (Geschlecht, Alter, Raucherstatus, TNM-Staging, Histologie, Tumorlokalisation, Rezidiv, Anzahl der Lymphknotenmetastasen, Tumorgröße, postoperative adjuvante Behandlung, DFS und OS). Dann wird ein Cox-Proportional-Hazards-Modell erstellt, um die Wirkung mehrerer Variablen (genomische und klinische Merkmale) auf DFS bzw. OS zu bewerten. Die Benjamini-Hochberg False Discovery Rate (FDR)-Methode wird verwendet, um den p-Wert anzupassen und die statistischen Unterschiede zu berechnen. Alle p-Werte waren zweiseitig und P < 0,05 wurde als signifikant angenommen.