Exosomalt miRNA-profiler för detektering av extrahepatisk metastas vid kolorektala levermetastaser (EXELION)

Trots förbättringar inom diagnostisk avbildning – såsom CT, MRI och PET-CT – förblir känsligheten för EHM-detektion begränsad, särskilt för små eller okulta lesioner i lungor, bukhinna eller lymfkörtlar. Som ett resultat kan patienter felaktigt uteslutas från kurativ kirurgi eller utsättas för icke-fördelaktiga ingrepp. Således finns ett brådskande behov av nya, icke-invasiva biomarkörer som kan upptäcka EHM med högre noggrannhet än enbart avbildning.

MicroRNA (miRNA), särskilt de som är inkapslade i exosomer, har framträtt som stabila och reproducerbara biomarkörer som återspeglar tumördynamik. Nyligen genomförda studier har visat att cirkulerande miRNA-signaturer är associerade med levermetastaser, terapisvar och återfallsrisk vid CRC. Deras användbarhet för att upptäcka extrahepatiska metastaser har dock ännu inte validerats i kliniska kohorter.

I detta forskningsarbete kommer forskarna att utnyttja small RNA-sekvensering och maskininlärning för att utveckla en prediktiv modell för förekomst av hepatiska och extrahepatiska metastaser hos patienter med CRLM. Forskningsplanen kommer att bestå av tre faser:

1. En upptäcktsfas, som identifierar kandidat-miRNA associerade med förekomst av EHM med hjälp av nästa generations sekvensering (NGS) eller mikroarray-baserad profilering av serum-exosomal miRNA.
2. En modellutvecklingsfas, som etablerar en kvantitativ revers transkription PCR (RT-qPCR)-analys och tränar en prediktiv algoritm.
3. En valideringsfas, som oberoende testar modellens prediktiva noggrannhet i en extern kohort.

Detta diagnostiska ramverk kallas preliminärt "EXMETIS" (Exosomal miRNA Profilering för Detektion av Extrahepatiska Metastaser vid Kolorektala Levermetastaser). Vid slutet av denna studie förväntas EXMETIS-analysen fungera som ett icke-invasivt verktyg för att assistera kliniskt beslutsfattande genom att noggrant förutsäga förekomst av extrahepatiska metastaser hos patienter med CRLM.