联合临床病理参数及多序列MRI-Rad评分的影像组学列线图预测胰腺导管腺癌术后生存的价值

目的:探讨联合临床病理参数和多序列MRI-Rad评分的影像组学列线图在胰腺导管腺癌(pancreatic ductal adenocarcinoma,PDAC)患者术后生存预测中的价值。方法:回顾性分析我院2016年06月至2020年06月间行根治性切除手术并经病理确诊的197例PDAC患者胰腺MRI及临床病理资料。将患者按照7∶3比例划分为训练集(138例)与验证集(59例)。从T2加权成像(T2-weightedimaging,T2WI)、增强T1加权成像(T1-weightedimaging,T1WI)和扩散加权成像(diffusionweightedimaging,DWI)3个序列MRI图像中共提取360个影像组学特征并通过特征组间和组内相关系数(inter-and intra-class correlation coefficient,ICC)分析,保留ICC>0.75的特征。应用最小绝对收缩和选择算子(least absolute shrinkage and selection operator regression,LASSO)进一步筛选特征并建立MRI影像组学评分(radiomics score,Rad-score)。根据时间依赖性受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under curve,AUC)分析Rad评分预测1年和3年无病生存期(disease-free survival,DFS)和总生存期(overall survival,OS)的性能,并基于Rad评分截断值将患者分为高Rad评分组与低Rad评分组,使用Kaplan-Meier(K-M)生存分析评估Rad评分与DFS和OS关系。通过单变量和多变量Cox回归分析确定与DFS和OS相关的临床病理独立预测因素并构建临床病理模型。利用肿瘤T分期、N分期和M分期信息构建TNM分期系统模型。联合临床病理独立危险因素及Rad评分制定影像组学列线图(nomogram),利用Harrell's一致性指数(C-index,C指数)、校准曲线(calibration curves)和决策曲线分析(decision curve analysis,DCA)评估列线图的效能并在3种模型间进行比较。结果:通过ICC和LASSO分析,从多序列MRI中共筛选7个影像组学特征并建立Rad评分。Rad评分预测1年和3年DFS和OS的AUC分别为0.807、0.795和0.839、0.812,低Rad评分组患者DFS和OS显著优于高Rad评分组(P<0.001)。多因素Cox回归结果显示Rad评分、CA19-9、分化程度、T分期、N分期和M分期与PDAC术后患者DFS和OS显著相关(P<0.001)。在训练集和验证集中,联合Rad评分和5项临床病理危险因素构建的影像组学列线图预测DFS和OS的C指数分别为0.860(95%CI 0.823~0.895)、0.850(95%CI 0.825~0.905)和0.832(95%CI 0.806~0.857)、0.822(95%CI 0.787~0.860),校准曲线和决策曲线分析显示列线图具有良好的区分度、校准度和临床实用性,比临床病理模型和TNM分期系统具有更好的生存预测性能(P<0.001)。结论:联合临床病理特征和多序列MRI-Rad评分的影像组学列线图在预测PDAC切除术后患者DFS和OS方面有一定临床价值,这将为患者风险分层管理和个体化治疗提供参考。

基于生物信息学的胆囊癌差异表达谱中关键蛋白调控基因分析

背景与目的:胆囊癌(GBC)的机制发生目前仍不清楚,基因组与转录组层面的数据为研究GBC的分子生物学机制提供了基础数据资源。本研究运用生物信息学手段分析GBC组织和胆囊正常组织的差异表达基因以及GBC关键蛋白调控分子,从而探讨GBC发生的潜在分子生物学机制。方法:基于GEO数据库中两个GBC转录组数据集筛选差异表达基因,并对这些基因进行GO三种类型功能注释。利用STRING数据库构建蛋白质互作网络,并进行模块挖掘寻找关键蛋白调控基因。评估关键蛋白调控基因的表达及预测效能。结果:共筛选到140个可重复GBC差异表达基因(上调基因20个,下调基因120个),主要与前脑发育和神经发生的正调控通路密切相关,参与突触后膜和横小管组成。同时发现SFRP1这一关键调控蛋白基因在预测GBC的发生中具有一定作用。结论:本研究获得的GBC转录谱表达的信息可为GBC分子机制的研究提供框架和脉络,关键蛋白调控基因SFRP1可能在GBC的发生与发展中发挥关键生物学作用。

基于转录组学的肝内胆管癌预后相关基因分析

目的从转录组学层面研究肝内胆管癌(ICC)发生异常的生物学通路并发现与ICC预后相关的基因。方法通过t检验和倍数变化法筛选差异表达基因并对相关基因进行KEGG功能富集分析;利用STRING数据库构建蛋白质互作网络,通过计算每个节点的度、介数和接近中心性来寻找网络的Hub节点;采用log-rank检验进行Kaplan-Meier生存分析,识别ICC预后相关基因。结果在3个数据集中重复的ICC相关的差异表达基因共1134个,主要参与15条通路,包括参与DNA复制、细胞周期、药物代谢、RNA转运等信号通路和氨基酸合成等生物学过程。通过蛋白质互作网络分析发现TAF1、GRB2、E2F4、HNF4A、MYC和TP53基因是Hub节点。因GRB2和TP53既是蛋白质互作网络的Hub节点也是ICC死亡相关基因,因此分析其高低表达发现,GRB2基因低表达者较其高表达者总生存情况更好(P=0.0409),而TP53是低表达者较其高表达者总生存情况更差(P=0.0273),且在TCGA数据库中也得到验证。结论ICC的发生与细胞代谢异常息息相关,且TAF1、GRB2、E2F4、HNF4A、MYC和TP53这些差异表达基因是ICC发生发展的重要基因,尤其是GRB2和TP53基因的表达与ICC预后有关。