Etablering og klinisk anvendelse av en prediksjonsmodell for fjernmetastaser til lungekreft basert på de genomiske egenskapene til sirkulerende tumorceller

Lungekreft er den vanligste krefttypen i mitt land, men 5-års overlevelsestiden for lungekreftpasienter er bare 17 %. Blant dem er den største årsaken som påvirker pasientens prognose metastasen av svulsten. Det er svært få kliniske metoder egnet for behandling av metastatisk lungekreft, og den kurative effekten er ikke god. Derfor er tidlig overvåking og intervensjoner for å forhindre fjernkolonisering av metastaser nøkkelen til å forbedre overlevelsen av lungekreft. Den foreløpige forskningen til dette prosjektet fant at sirkulerende tumorceller i perifert blod kan brukes som et effektivt middel for klinisk diagnose og behandling av ondartede svulster i lungene. Gjennom analysen av forskjellen i tid og rommetastasering av lungekreftpasienter, er det funnet at genomene til forskjellige metastasestadier og metastatiske organer av lungekreft er ganske forskjellige, og er nært knyttet til pasientens overlevelse. Av denne grunn foreslår vi hypotesen om at de genomiske mutasjonskarakteristikkene til sirkulerende tumorceller kan oppdage tumormetastasesignaler tidligere enn CT-bildediagnose. For å teste denne hypotesen vil vi utvikle et risikovurderingssystem for kreftmetastaser basert på tumorgenomikk. Først samler vi inn store data om genomet til primær og metastatisk lungekreft fra offentlige databaser, og bruker statistiske metoder for å screene ut genomiske egenskaper som er signifikant relatert til metastatisk lungekreft og dens metastatiske koloniseringsorganer. For det andre, å bruke disse funksjonene til å utvikle et sett med maskinlæringsmodeller som kan bestemme risikoen for metastasering av en lungekreft basert på dens genomegenskaper. Til slutt brukte vi modellen til klinisk praksis. Ved å oppdage de sirkulerende tumorcellene til pasienter med primær lungekreft under reundersøkelsen, etablerte vi en statistisk støyreduksjonsmodell for å trekke ut de genomiske egenskapene, og deretter erstattet i modellen for å bestemme de sirkulerende tumorcellene som bæres av pasienten om det er en risiko av tilbakefall og metastaser. Ved å sammenligne bildedataene i gjennomgangen, vil vi verifisere om modellen oppdager tidlige metastasesignaler om lungekreft tidligere enn avbildningsmetoder. Til syvende og sist vil modellen vår samle genomiske markører relatert til metastaserisiko, utforske deres medikamentmålretting og gi kraftig støtte for stordataanalyse for tidlig intervensjon i metastasekolonisering og forlenge overlevelsen til lungekreftpasienter. Hvis emnet er demonstrert, vil det bidra til å klargjøre bruken av tumorgenom big data-analyse for å avsløre de genomiske drivermutasjonene av metastatisk lungekreft; demonstrere gjennomførbarheten av sirkulerende tumorcellegenomdrivermutasjoner for å forutsi risikoen for lungekreftmetastaser; og til slutt avklare PI3K/Akt/mTOR-signalet Kan hemmere av banen brukes som mål for tidlig intervensjon ved lungekreftmetastaser.