ES2962775T3 - Método para predecir el pronóstico de pacientes con cáncer de mama - Google Patents
Método para predecir el pronóstico de pacientes con cáncer de mama Download PDFInfo
- Publication number
- ES2962775T3 ES2962775T3 ES17874456T ES17874456T ES2962775T3 ES 2962775 T3 ES2962775 T3 ES 2962775T3 ES 17874456 T ES17874456 T ES 17874456T ES 17874456 T ES17874456 T ES 17874456T ES 2962775 T3 ES2962775 T3 ES 2962775T3
- Authority
- ES
- Spain
- Prior art keywords
- breast cancer
- prognosis
- gene
- patient
- genes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 172
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 167
- 238000004393 prognosis Methods 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 58
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 161
- 230000014509 gene expression Effects 0.000 claims abstract description 104
- 101000807354 Homo sapiens Ubiquitin-conjugating enzyme E2 C Proteins 0.000 claims abstract description 45
- 108010047866 ribonucleotide reductase M2 Proteins 0.000 claims abstract description 45
- 101710134230 Butyrophilin subfamily 3 member A2 Proteins 0.000 claims abstract description 44
- 230000035755 proliferation Effects 0.000 claims abstract description 43
- 102100027155 Butyrophilin subfamily 3 member A2 Human genes 0.000 claims abstract description 37
- 102100037256 Ubiquitin-conjugating enzyme E2 C Human genes 0.000 claims abstract description 35
- 108020004999 messenger RNA Proteins 0.000 claims abstract description 33
- 239000003550 marker Substances 0.000 claims abstract description 16
- 101710183280 Topoisomerase Proteins 0.000 claims abstract description 12
- 239000012472 biological sample Substances 0.000 claims abstract description 11
- 206010028980 Neoplasm Diseases 0.000 claims description 68
- 102100023374 Forkhead box protein M1 Human genes 0.000 claims description 42
- 101000907578 Homo sapiens Forkhead box protein M1 Proteins 0.000 claims description 42
- 238000002512 chemotherapy Methods 0.000 claims description 42
- 230000001575 pathological effect Effects 0.000 claims description 14
- 208000007433 Lymphatic Metastasis Diseases 0.000 claims description 9
- 206010027476 Metastases Diseases 0.000 abstract description 84
- 230000009401 metastasis Effects 0.000 abstract description 72
- 238000011282 treatment Methods 0.000 abstract description 22
- 210000000987 immune system Anatomy 0.000 abstract description 20
- 238000010837 poor prognosis Methods 0.000 abstract description 17
- 230000002018 overexpression Effects 0.000 abstract description 5
- 102000007237 Forkhead Box Protein M1 Human genes 0.000 abstract 1
- 108010008599 Forkhead Box Protein M1 Proteins 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 27
- 239000003795 chemical substances by application Substances 0.000 description 26
- 201000011510 cancer Diseases 0.000 description 24
- 238000012360 testing method Methods 0.000 description 24
- 239000000523 sample Substances 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 17
- 238000001356 surgical procedure Methods 0.000 description 17
- 230000004083 survival effect Effects 0.000 description 14
- 102100021390 C-terminal-binding protein 1 Human genes 0.000 description 13
- 101710178052 C-terminal-binding protein 1 Proteins 0.000 description 13
- 102100039195 Cullin-1 Human genes 0.000 description 13
- 230000000295 complement effect Effects 0.000 description 12
- 230000035945 sensitivity Effects 0.000 description 12
- 101000746063 Homo sapiens Cullin-1 Proteins 0.000 description 10
- 101000607626 Homo sapiens Ubiquilin-1 Proteins 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 10
- 102100039934 Ubiquilin-1 Human genes 0.000 description 9
- 210000001165 lymph node Anatomy 0.000 description 9
- 150000007523 nucleic acids Chemical class 0.000 description 9
- 210000001519 tissue Anatomy 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 102000039446 nucleic acids Human genes 0.000 description 8
- 108020004707 nucleic acids Proteins 0.000 description 8
- 125000003729 nucleotide group Chemical group 0.000 description 8
- 238000010200 validation analysis Methods 0.000 description 8
- 230000028993 immune response Effects 0.000 description 7
- 239000002773 nucleotide Substances 0.000 description 7
- 238000002493 microarray Methods 0.000 description 6
- 238000003752 polymerase chain reaction Methods 0.000 description 6
- 206010055113 Breast cancer metastatic Diseases 0.000 description 5
- 101001012157 Homo sapiens Receptor tyrosine-protein kinase erbB-2 Proteins 0.000 description 5
- 102100030086 Receptor tyrosine-protein kinase erbB-2 Human genes 0.000 description 5
- 210000000481 breast Anatomy 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 102000004555 Butyrophilins Human genes 0.000 description 4
- 108010017533 Butyrophilins Proteins 0.000 description 4
- 230000003321 amplification Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000007475 c-index Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000009795 derivation Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 102000015694 estrogen receptors Human genes 0.000 description 4
- 108010038795 estrogen receptors Proteins 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 102000003998 progesterone receptors Human genes 0.000 description 4
- 108090000468 progesterone receptors Proteins 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 108091032973 (ribonucleotides)n+m Proteins 0.000 description 3
- 108010088874 Cullin 1 Proteins 0.000 description 3
- 206010061818 Disease progression Diseases 0.000 description 3
- -1 MKI67 Proteins 0.000 description 3
- 238000011529 RT qPCR Methods 0.000 description 3
- 102100037272 T cell receptor beta constant 1 Human genes 0.000 description 3
- 101710087279 T cell receptor beta constant 1 Proteins 0.000 description 3
- 101710173441 Ubiquilin-1 Proteins 0.000 description 3
- 238000010804 cDNA synthesis Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 230000005750 disease progression Effects 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 208000030776 invasive breast carcinoma Diseases 0.000 description 3
- 230000003447 ipsilateral effect Effects 0.000 description 3
- 238000001325 log-rank test Methods 0.000 description 3
- VLKZOEOYAKHREP-UHFFFAOYSA-N n-Hexane Chemical compound CCCCCC VLKZOEOYAKHREP-UHFFFAOYSA-N 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000003753 real-time PCR Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 102100029966 HLA class II histocompatibility antigen, DP alpha 1 chain Human genes 0.000 description 2
- 208000037396 Intraductal Noninfiltrating Carcinoma Diseases 0.000 description 2
- 206010073099 Lobular breast carcinoma in situ Diseases 0.000 description 2
- RJKFOVLPORLFTN-LEKSSAKUSA-N Progesterone Chemical compound C1CC2=CC(=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H](C(=O)C)[C@@]1(C)CC2 RJKFOVLPORLFTN-LEKSSAKUSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 208000028715 ductal breast carcinoma in situ Diseases 0.000 description 2
- 229940011871 estrogen Drugs 0.000 description 2
- 239000000262 estrogen Substances 0.000 description 2
- 108091008053 gene clusters Proteins 0.000 description 2
- 108091008039 hormone receptors Proteins 0.000 description 2
- 238000009396 hybridization Methods 0.000 description 2
- 238000011221 initial treatment Methods 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 230000001394 metastastic effect Effects 0.000 description 2
- 206010061289 metastatic neoplasm Diseases 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 210000003491 skin Anatomy 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 102000040650 (ribonucleotides)n+m Human genes 0.000 description 1
- NCMVOABPESMRCP-SHYZEUOFSA-N 2'-deoxycytosine 5'-monophosphate Chemical compound O=C1N=C(N)C=CN1[C@@H]1O[C@H](COP(O)(O)=O)[C@@H](O)C1 NCMVOABPESMRCP-SHYZEUOFSA-N 0.000 description 1
- LTFMZDNNPPEQNG-KVQBGUIXSA-N 2'-deoxyguanosine 5'-monophosphate Chemical compound C1=2NC(N)=NC(=O)C=2N=CN1[C@H]1C[C@H](O)[C@@H](COP(O)(O)=O)O1 LTFMZDNNPPEQNG-KVQBGUIXSA-N 0.000 description 1
- 102000004000 Aurora Kinase A Human genes 0.000 description 1
- 108090000461 Aurora Kinase A Proteins 0.000 description 1
- 102100036842 C-C motif chemokine 19 Human genes 0.000 description 1
- 102100024217 CAMPATH-1 antigen Human genes 0.000 description 1
- 108010065524 CD52 Antigen Proteins 0.000 description 1
- 230000004544 DNA amplification Effects 0.000 description 1
- 238000000018 DNA microarray Methods 0.000 description 1
- 102000016928 DNA-directed DNA polymerase Human genes 0.000 description 1
- 108010014303 DNA-directed DNA polymerase Proteins 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 102100033201 G2/mitotic-specific cyclin-B2 Human genes 0.000 description 1
- 108010093061 HLA-DPA1 antigen Proteins 0.000 description 1
- 101000691214 Haloarcula marismortui (strain ATCC 43049 / DSM 3752 / JCM 8966 / VKM B-1809) 50S ribosomal protein L44e Proteins 0.000 description 1
- 101000713106 Homo sapiens C-C motif chemokine 19 Proteins 0.000 description 1
- 101000851181 Homo sapiens Epidermal growth factor receptor Proteins 0.000 description 1
- 101000713023 Homo sapiens G2/mitotic-specific cyclin-B2 Proteins 0.000 description 1
- 101000864089 Homo sapiens HLA class II histocompatibility antigen, DP alpha 1 chain Proteins 0.000 description 1
- 101001096541 Homo sapiens Rac GTPase-activating protein 1 Proteins 0.000 description 1
- 101001087372 Homo sapiens Securin Proteins 0.000 description 1
- 101000577877 Homo sapiens Stromelysin-3 Proteins 0.000 description 1
- 101000934346 Homo sapiens T-cell surface antigen CD2 Proteins 0.000 description 1
- 206010073094 Intraductal proliferative breast lesion Diseases 0.000 description 1
- 206010027459 Metastases to lymph nodes Diseases 0.000 description 1
- 208000003788 Neoplasm Micrometastasis Diseases 0.000 description 1
- 238000000636 Northern blotting Methods 0.000 description 1
- 108091028043 Nucleic acid sequence Proteins 0.000 description 1
- 108091034117 Oligonucleotide Proteins 0.000 description 1
- 238000012408 PCR amplification Methods 0.000 description 1
- 238000002123 RNA extraction Methods 0.000 description 1
- 102100037414 Rac GTPase-activating protein 1 Human genes 0.000 description 1
- 108091028664 Ribonucleotide Proteins 0.000 description 1
- 102100033004 Securin Human genes 0.000 description 1
- 102100028847 Stromelysin-3 Human genes 0.000 description 1
- 102100025237 T-cell surface antigen CD2 Human genes 0.000 description 1
- 102000044209 Tumor Suppressor Genes Human genes 0.000 description 1
- 108700025716 Tumor Suppressor Genes Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000009098 adjuvant therapy Methods 0.000 description 1
- 230000001093 anti-cancer Effects 0.000 description 1
- 230000003388 anti-hormonal effect Effects 0.000 description 1
- 230000000118 anti-neoplastic effect Effects 0.000 description 1
- 230000008827 biological function Effects 0.000 description 1
- 239000012496 blank sample Substances 0.000 description 1
- 201000005389 breast carcinoma in situ Diseases 0.000 description 1
- 230000004663 cell proliferation Effects 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000003109 clavicle Anatomy 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 239000002299 complementary DNA Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000002380 cytological effect Effects 0.000 description 1
- GYOZYWVXFNDGLU-XLPZGREQSA-N dTMP Chemical compound O=C1NC(=O)C(C)=CN1[C@@H]1O[C@H](COP(O)(O)=O)[C@@H](O)C1 GYOZYWVXFNDGLU-XLPZGREQSA-N 0.000 description 1
- KHWCHTKSEGGWEX-UHFFFAOYSA-N deoxyadenylic acid Natural products C1=NC=2C(N)=NC=NC=2N1C1CC(O)C(COP(O)(O)=O)O1 KHWCHTKSEGGWEX-UHFFFAOYSA-N 0.000 description 1
- LTFMZDNNPPEQNG-UHFFFAOYSA-N deoxyguanylic acid Natural products C1=2NC(N)=NC(=O)C=2N=CN1C1CC(O)C(COP(O)(O)=O)O1 LTFMZDNNPPEQNG-UHFFFAOYSA-N 0.000 description 1
- 239000005547 deoxyribonucleotide Substances 0.000 description 1
- 125000002637 deoxyribonucleotide group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 201000007273 ductal carcinoma in situ Diseases 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 238000010195 expression analysis Methods 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 239000003269 fluorescent indicator Substances 0.000 description 1
- 239000012520 frozen sample Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000009200 high fat diet Nutrition 0.000 description 1
- 238000010562 histological examination Methods 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 201000011059 lobular neoplasia Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 208000026535 luminal A breast carcinoma Diseases 0.000 description 1
- 210000002751 lymph Anatomy 0.000 description 1
- 238000010841 mRNA extraction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003472 neutralizing effect Effects 0.000 description 1
- 229940046166 oligodeoxynucleotide Drugs 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 239000013610 patient sample Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000037452 priming Effects 0.000 description 1
- 239000000186 progesterone Substances 0.000 description 1
- 229960003387 progesterone Drugs 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 102000005962 receptors Human genes 0.000 description 1
- 108020003175 receptors Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010839 reverse transcription Methods 0.000 description 1
- 238000003757 reverse transcription PCR Methods 0.000 description 1
- 239000002336 ribonucleotide Substances 0.000 description 1
- 125000002652 ribonucleotide group Chemical group 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000002626 targeted therapy Methods 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
- C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
- C12Q1/6886—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material for cancer
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q2600/00—Oligonucleotides characterized by their use
- C12Q2600/118—Prognosis of disease development
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q2600/00—Oligonucleotides characterized by their use
- C12Q2600/158—Expression markers
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Organic Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Engineering & Computer Science (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Genetics & Genomics (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biotechnology (AREA)
- Microbiology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Hospice & Palliative Care (AREA)
- Oncology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
La presente invención se refiere a un método para predecir el pronóstico de un paciente con cáncer de mama y, más específicamente, a un método para predecir el pronóstico de un paciente con cáncer de mama, que comprende las etapas de: (a) medir, en una muestra biológica obtenida de un paciente con cáncer de mama, el nivel de expresión de ARNm de un gen inmune relacionado con el miembro A2 de la subfamilia 3 de butirofilina (BTN3A2) y uno o más genes relacionados con la proliferación seleccionados del grupo que consiste en la enzima conjugadora de ubiquitina E2C (UBE2C), la topoisomerasa 2 alfa (TOP2A), ribonucleótido reductasa M2 (RRM2), caja de horquilla M1 (FOXM1) y un marcador de proliferación Ki-67 (MKI67); (b) estandarizar el nivel de expresión de ARNm medido en el paso (a); y (c) predecir el pronóstico del cáncer de mama mediante una combinación de uno o más genes relacionados con la proliferación y el gen relacionado con el sistema inmunológico, que se estandarizaron en la etapa (b), en donde el pronóstico del cáncer de mama se predice de manera que la sobreexpresión de los genes relacionados con la proliferación es un mal pronóstico y la sobreexpresión del gen relacionado con el sistema inmunológico es un buen pronóstico. La presente invención se refiere a un método para predecir el pronóstico del cáncer de mama mediante el uso de un grupo de genes, que muestra una correlación significativa con el pronóstico del cáncer de mama y la información clínica, y el método de la presente invención puede predecir con mayor precisión un pronóstico en si habrá metástasis en el futuro en una paciente con cáncer de mama, por lo que se podrá utilizar con el fin de presentar evidencia para la dirección del tratamiento del cáncer de mama en el futuro. (Traducción automática con Google Translate, sin valor legal)
Description
DESCRIPCIÓN
Método para predecir el pronóstico de pacientes con cáncer de mama
Sector de la técnica
Esta solicitud de patente reivindica la prioridad de la solicitud de patente coreana n.° 10-2016-0158466 presentada el 25 de noviembre de 2016.
La presente divulgación se refiere a un método para predecir el pronóstico del cáncer de mama, y más particularmente a un método para predecir el pronóstico del cáncer de mama, comprendiendo el método las etapas de: (a) medir el nivel de expresión del ARNm de por lo menos uno gen relacionado con la proliferación seleccionado entre el grupo que consiste en UBE2C (enzima conjugadora de ubiquitina E2C), TOP2A (topoisomerasa 2 alfa), RRM2 (ribonucleótido reductasa M2), FOXM1 (forkhead box M1) y MKI67 (marcador de proliferación Ki-67), y de un BTN3A2 (miembro A2 de la subfamilia 3 de butirofilinas), un gen relacionado con el sistema inmunológico de la muestra biológica obtenida del paciente con cáncer de mama; (b) normalizar el nivel de expresión del ARNm medido en la etapa (a); y (c) predecir el pronóstico del cáncer de mama mediante una combinación de por lo menos un gen relacionado con la proliferación y el gen relacionado con el sistema inmunológico normalizado en la etapa (b), en el que se predice que el pronóstico será malo cuando el gen relacionado con la proliferación está sobreexpresado y se predice que el pronóstico será bueno cuando el gen relacionado con el sistema inmunológico está sobreexpresado.
Antecedentes de la invención
El cáncer de mama es el cáncer más común en las mujeres y el segundo cáncer más mortal. La prevalencia del cáncer de mama en 2.001 fue de 90 a 100 por 100.000 personas en los Estados Unidos y de 50 a 70 por 100.000 personas en Europa. La aparición de esta enfermedad está aumentando en todo el mundo. Los factores de riesgo del cáncer de mama incluyen la raza, la edad y las mutaciones de los genes supresores del cáncer BRCA-1, BRCA-2 y p53. El consumo de alcohol, las dietas ricas en grasas, la falta de ejercicio, las hormonas posmenopáusicas exógenas y las radiaciones ionizantes también aumentan el riesgo de cáncer de mama. El pronóstico del cáncer de mama es peor en cánceres de mama con receptores de estrógenos y receptores de progesterona negativos (ER- y PR-, respectivamente), tamaño tumoral grande, resultado de un diagnóstico citológico de alto grado y personas menores de 35 años (Goldhirsch et al. J. Clin. Oncol. 19: 3817-27). Se estimó que en 2005 se diagnosticarían aproximadamente 212.000 nuevos casos de cáncer de mama invasivo y 58.000 nuevos casos de cáncer de mama no invasivo y se esperaba que 40.000 mujeres murieran de cáncer de mama en 2005. Después de la cirugía, los métodos actuales de tratamiento del cáncer de mama requieren tratamiento adyuvante adicional para reducir la recurrencia futura, como quimioterapia, terapia antihormonal, terapia dirigida o radioterapia. El cáncer de mama tiene diferentes características dependiendo del estado del receptor principal del cáncer de mama y, por lo tanto, se realiza un examen histológico para determinar si los receptores hormonales (ER y PR) están expresados o sobreexpresados, y para determinar el estado de las metástasis y las metástasis en los ganglios linfáticos (positivo o negativo). Y establece la base para un tratamiento posterior. Aunque esta información clínica se utiliza ampliamente como indicador de decisión del tratamiento, la heterogeneidad del cáncer es mayor que el fenotipo del indicador clínico, de modo que no se puede juzgar el pronóstico de todos los cánceres y su utilidad también es limitada.
El documento US 2016/102359 A1 describe un gen para predecir o diagnosticar el pronóstico de cáncer de mama en estadio inicial y se divulga un uso del mismo, y más específicamente un marcador genético para predecir o diagnosticar el pronóstico de cáncer de mama, que incluye TRBC1 (constante beta 1 del receptor de linfocitos T), BTN3A2 (miembro A2 de la subfamilia 3 de butirofilinas) o HLA-DPA1 (complejo principal de histocompatibilidad, clase II, DP alfa-1) para proporcionar la información necesaria para predecir o diagnosticar el pronóstico de un paciente con cáncer de mama. El marcador genético permite la predicción o el diagnóstico del pronóstico de un paciente con cáncer de mama y, por lo tanto, puede usarse con el propósito de proporcionar una dirección en cuanto al curso futuro del tratamiento del cáncer de mama, incluida una decisión sobre si es necesaria una terapia antineoplásica.
Mientras tanto, el cáncer de mama en general se divide en varios estadios principales, según el grado de invasión y metástasis: estadio inicial, estadio local progresivo, estadio local persistente y estadio de metástasis. El estadio inicial del cáncer de mama incluye cánceres de mama no invasivos tales como el carcinoma lobulillar in situ ("LCIS") y el carcinoma ductal in situ ("DCIS"). En general, el cáncer de mama se clasifica según la metástasis en los ganglios tumorales ("TNM") propuesta por el Comité Conjunto Estadounidense sobre el Cáncer (Manual de estadificación del cáncer del AJCC, sexta edición). El sistema de clasificación TNM define el cáncer de mama en siete estadios distintos: 0, I, IIA, IIB, IIIA, IIIB y IV. Los subtipos de la etapa 0, I y etapa II son en general cáncer de mama en estadio inicial. Algunos subtipos de la etapa II y de la etapa III son cáncer de mama avanzado. La etapa IV en general se refiere al cáncer de mama metastásico.
El pronóstico de supervivencia a 5 años para el cáncer de mama en estadio inicial es en general superior al 60 %, pero para el cáncer de mama avanzado esta cifra cae al 40-60 %. La tasa de supervivencia a 5 años para el cáncer de mama metastásico suele ser solo de alrededor del 15 %. Los sitios metastásicos a distancia más habituales en el cáncer de mama incluyen el pulmón, el hígado, los huesos, los ganglios linfáticos, la piel y el sistema nervioso central (cerebro). Una vez diagnosticados con cáncer de mama metastásico, se espera que los pacientes vivan una media de 18 a 24 meses. El tratamiento del cáncer de mama metastásico es casi imposible y el tratamiento de esta enfermedad no es más que fundamentalmente un alivio del dolor.
Aunque, el 70-80 % de los pacientes con receptor hormonal positivo (receptor de estrógeno positivo y/o receptor de progesterona positivo; ER+ y/o PR+), HER2-(receptor del factor de crecimiento epidérmico humano negativo), pN0 o pN1 con marcadores del cáncer de mama en fase precoz tienen poco riesgo de metástasis a largo plazo y no se requiere quimioterapia contra el cáncer (Paik, Tang et al., 2006). Pero es tan difícil distinguir a los pacientes con cáncer de mama según las pautas convencionales de tratamiento del cáncer de mama que la mayoría de los pacientes son tratados con quimioterapia y radioterapia después de la cirugía.
Por lo tanto, es necesario predecir claramente el pronóstico futuro del cáncer en pacientes con cáncer de mama en estadio inicial, elegir el método de tratamiento más apropiado en este momento y observar cuidadosamente la condición del paciente para prepararse para un mal pronóstico, tal como la recurrencia de metástasis.
Descripción detallada de la divulgación
Problema técnico
La detección temprana del cáncer de mama está aumentando debido al desarrollo de técnicas de diagnóstico y al aumento de la detección sistemática. La detección temprana del cáncer de mama ha aumentado la tasa de supervivencia de los pacientes con cáncer de mama, pero todavía sigue habiendo unas tasas de recurrencia del cáncer de mama del 5 al 20 %
. Por lo tanto, detectar el riesgo de recurrencia después del tratamiento del cáncer de mama en estadio inicial se está convirtiendo en un factor importante a la hora de determinar el plan de tratamiento del seguimiento de los pacientes con cáncer de mama después del tratamiento inicial.
En consecuencia, los presentes autores de la invención han llevado a cabo una extensa investigación para desarrollar un algoritmo para predecir el pronóstico de pacientes con cáncer de mama usando muestras de FFPE que contienen células cancerosas de pacientes, y han desarrollado un conjunto de genes para predecir el pronóstico después de recoger y analizar información genética y clínica obtenida del cáncer de mama. Como resultado, han completado la presente divulgación después de haber confirmado la utilidad del conjunto de genes.
Por consiguiente, un aspecto de la presente divulgación está dirigido a proporcionar un método para predecir el pronóstico del cáncer de mama para proporcionar la información necesaria para predecir el pronóstico de un paciente con cáncer de mama, comprendiendo el método las etapas de:
(a) medir el nivel de expresión del ARNm de por lo menos un gen relacionado con la proliferación seleccionado del grupo que consiste en UBE2C (enzima conjugadora de ubiquitina E2C), TOP2A (topoisomerasa 2 alfa), RRM2 (ribonucleótido reductasa M2), FOXM1 (forkhead box M1) y MKI67 (marcador de proliferación Ki-67), y de un BTN3A2 (miembro A2 de la subfamilia 3 de butirofilinas), un gen relacionado con el sistema inmunológico de la muestra biológica obtenida del paciente con cáncer de mama;
(b) normalizar el nivel de expresión del ARNm medido en la etapa (a); y
(c) predecir el pronóstico del cáncer de mama mediante una combinación de por lo menos un gen relacionado con la proliferación y el gen relacionado con el sistema inmunológico normalizado en la etapa (b), en el que se predice que el pronóstico será malo cuando el gen relacionado con la proliferación está sobreexpresado y se predice que el pronóstico será bueno cuando el gen relacionado con el sistema inmunológico está sobreexpresado.
La invención está dirigida a un método para predecir el pronóstico del cáncer de mama para proporcionar la información necesaria para predecir el pronóstico de un paciente con cáncer de mama, comprendiendo el método las etapas de:
(a) medir el nivel de expresión del ARNm de UBE2C (enzima conjugadora de ubiquitina E2C), TOP2A (topoisomerasa 2 alfa), RRM2 (ribonucleótido reductasa M2), FOXM1 (forkhead box M1), MKI67 (marcador de proliferación Ki-67) y BTN3A2 (miembro A2 de la subfamilia 3 de butirofilinas) de una muestra biológica obtenida del paciente con cáncer de mama, respectivamente;
(b) normalizar el nivel de expresión del ARNm medido en la etapa (a);
(c) evaluar el tamaño de un tumor y el estadio pN en el paciente con cáncer de mama;
(d) calcular un valor numérico al poner un valor normalizado obtenido en la etapa (b), y el tamaño del tumor y el estadio pN en la etapa (c) en las ecuaciones 1 y 2 siguientes
[Ecuación 1]
Puntuación BCT sin escalar (U — BS)
= a * ACt_UBE2C b * AC_TOP2A c * ACt_RRM2 d * ACt_FOXM1 e * ACt_MKI67 f * ACt_BTN3A2 g * Tamaño_del_tumor (cm) h * pN(0 o 1)
[Ecuación 2]
Puntuación BCT = 0 si 0,8*puntuación BCT sin escalar (U-BS)-13,71 < 0
Puntuación BCT = 0,8*U-BS-13,71 si 0 < 0,8*U-BS-13,71 < 10
Puntuación BCT = 10 si 0,8*U-BS-13,71 > 10
(En el que el valor del gen utilizado para predecir la eficacia de la quimioterapia es un valor de expresión de ARNm normalizado calculado utilizando un gen estándar; el tamaño del tumor es un valor determinado como la longitud del eje largo del tumor y el pN es un valor determinado según el juicio patológico de una metástasis en los ganglios linfáticos, en el que una a es de 0,16 a 1,09, b es de 0 a 0,71, c es de 0 a 0,53, d es de 0 a 0,57, e es de 0 a 0,35, f es de -1,02 a 0, g es 0,25 a 1,52 y h es de 0,19 a 2,25, y (e) predecir que cuanto mayor sea el valor calculado en la etapa (d), peor será el pronóstico.
Otro aspecto de la presente divulgación es proporcionar una composición para predecir el pronóstico de un paciente con cáncer de mama, comprendiendo la composición agentes para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y BTN3A2, respectivamente.
Otro aspecto de la presente divulgación es proporcionar una composición para predecir el pronóstico de un paciente con cáncer de mama, consistiendo la composición en agentes para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y BTN3A2, respectivamente.
Todavía otro aspecto de la presente divulgación es proporcionar una composición para predecir el pronóstico de un paciente con cáncer de mama, consistiendo la composición fundamentalmente en agentes para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y BTN3A2, respectivamente.
Otro aspecto más de la presente divulgación es proporcionar un kit para predecir el pronóstico de un paciente con cáncer de mama, comprendiendo el kit agentes para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y BTN3A2, respectivamente.
Otro aspecto más de la presente divulgación es proporcionar el uso de agentes para medir el nivel de expresión de los genes UBE2C, TOp2a , RRM2, FOXM1, MKI67 y BTN3A2 para preparar agentes para predecir el pronóstico de un paciente con cáncer de mama.
Solución técnica
Una realización según un aspecto de la presente divulgación proporciona un método para predecir el pronóstico del cáncer de mama para proporcionar la información necesaria para predecir el pronóstico de un paciente con cáncer de mama, comprendiendo el método las etapas de:
(a) medir el nivel de expresión del ARNm de por lo menos un gen relacionado con la proliferación seleccionado del grupo que consiste en UBE2C (enzima conjugadora de ubiquitina E2C), TOP2A (topoisomerasa 2 alfa), RRM2 (ribonucleótido reductasa M2), FOXM1 (forkhead box M1) y MKI67 (marcador de proliferación Ki-67), y de un BTN3A2 (miembro A2 de la subfamilia 3 de butirofilinas), un gen relacionado con el sistema inmunológico de la muestra biológica obtenida del paciente con cáncer de mama;
(b) normalizar el nivel de expresión del ARNm medido en la etapa (a); y
(c) predecir el pronóstico del cáncer de mama mediante una combinación de por lo menos un gen relacionado con la proliferación y el gen relacionado con el sistema inmunológico normalizado en la etapa (b), en el que se predice que el pronóstico será malo cuando el gen relacionado con la proliferación está sobreexpresado y se predice que el pronóstico será bueno cuando el gen relacionado con el sistema inmunológico está sobreexpresado.
La invención está dirigida a un método para predecir el pronóstico del cáncer de mama para proporcionar la información necesaria para predecir el pronóstico de un paciente con cáncer de mama, comprendiendo el método las etapas de:
(a) medir el nivel de expresión del ARNm de UBE2C (enzima conjugadora de ubiquitina E2C), TOP2A (topoisomerasa 2 alfa), RRM2 (ribonucleótido reductasa M2), FOXM1 (forkhead box M1), MKI67 (marcador de proliferación Ki-67) y BTN3A2 (miembro A2 de la subfamilia 3 de butirofilinas) de una muestra biológica obtenida del paciente con cáncer de mama, respectivamente;
(b) normalizar el nivel de expresión del ARNm medido en la etapa (a);
(c) evaluar el tamaño de un tumor y el estadio pN en el paciente con cáncer de mama;
(d) calcular un valor numérico al poner un valor normalizado obtenido en la etapa (b), y el tamaño del tumor y el estadio pN en la etapa (c) en las ecuaciones 1 y 2 siguientes
[Ecuación 1]
Puntuación BCT sin escalar (U — BS)
= a * ACt_UBE2C b * AC_TOP2A c * ACt_RRM2 d * ACt_FOXM1 e * ACt_MKI67 f * ACt_BTN3A2 g * Tamaño_del_tumor (cm) h * pN(0 o 1)
[Ecuación 2]
Puntuación BCT = 0 si 0,8*puntuación BCT sin escalar (U-BS)-13,71 < 0
Puntuación BCT = 0,8*U-BS-13,71 si 0 < 0,8*U-BS-13,71 < 10
Puntuación BCT = 10 si 0,8*U-BS-13,71 > 10
(En el que el valor del gen utilizado para predecir la eficacia de la quimioterapia es un valor de expresión de ARNm normalizado calculado utilizando un gen estándar; el tamaño del tumor es un valor determinado como la longitud del eje largo del tumor y el pN es un valor determinado según el juicio patológico de una metástasis en los ganglios linfáticos, en el que una a es de 0,16 a 1,09, b es de 0 a 0,71, c es de 0 a 0,53, d es de 0 a 0,57, e es de 0 a 0,35, f es de -1,02 a 0, g es 0,25 a 1,52 y h es de 0,19 a 2,25, y (e) predecir que cuanto mayor sea el valor calculado en la etapa (d), peor será el pronóstico.
Otra realización según un aspecto de la presente divulgación proporciona una composición para predecir el pronóstico de un paciente con cáncer de mama, comprendiendo la composición agentes para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y BTN3A2, respectivamente.
Una realización según otro aspecto de la presente divulgación proporciona una composición para predecir el pronóstico de un paciente con cáncer de mama, consistiendo la composición en agentes para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y BTN3A2, respectivamente.
Una realización según otro aspecto más de la presente divulgación proporciona una composición para predecir el pronóstico de un paciente con cáncer de mama, consistiendo la composición fundamentalmente en agentes para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1 , MKI67 y BTN3A2, respectivamente. Una realización según otro aspecto de la presente divulgación proporciona un kit para predecir el pronóstico de un paciente con cáncer de mama, comprendiendo el kit agentes para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y BTN3A2, respectivamente.
Una realización según otro aspecto de la presente divulgación proporciona un uso de agentes para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y BTN3A2 para preparar agentes para predecir el pronóstico de un paciente con cáncer de mama.
A continuación, en la presente memoria, se describirá en detalle la presente divulgación.
La presente divulgación proporciona un método para predecir el pronóstico del cáncer de mama para proporcionar la información necesaria para predecir el pronóstico de un paciente con cáncer de mama, comprendiendo el método las etapas de:
(a) medir el nivel de expresión del ARNm de por lo menos un gen relacionado con la proliferación seleccionado del grupo que consiste en UBE2C (enzima conjugadora de ubiquitina E2C), TOP2A (topoisomerasa 2 alfa), RRM2 (ribonucleótido reductasa M2), FOXM1 (forkhead box M1) y MKI67 (marcador de proliferación Ki-67), y de un BTN3A2 (miembro A2 de la subfamilia 3 de butirofilinas), un gen relacionado con el sistema inmunológico de la muestra biológica obtenida del paciente con cáncer de mama;
(b) normalizar el nivel de expresión del ARNm medido en la etapa (a); y
(c) predecir el pronóstico del cáncer de mama mediante una combinación de por lo menos un gen relacionado con la proliferación y el gen relacionado con el sistema inmunológico normalizado en la etapa (b), en el que se predice que el pronóstico será malo cuando el gen relacionado con la proliferación está sobreexpresado y se predice que el pronóstico será bueno cuando el gen relacionado con el sistema inmunológico está sobreexpresado.
El término "pronóstico" en la presente divulgación significa progresión de la enfermedad durante o después del tratamiento del cáncer de mama, y preferiblemente significa progresión de la enfermedad después del tratamiento, pero no se limita al mismo. El término "progresión de la enfermedad", tal como se utiliza en la presente memoria, se refiere a un concepto que incluye curación del cáncer, recurrencia, metástasis o recurrencia de metástasis, y lo más preferiblemente se refiere a recurrencia de metástasis, pero no se limita a los mismos. El pronóstico (o diagnóstico de pronóstico) de la recurrencia de metástasis entre estos puede proporcionar pistas sobre la dirección del tratamiento del cáncer de mama, especialmente porque puede usarse para determinar de antemano si el tumor en un paciente con cáncer de mama en estadio inicial puede convertirse en cáncer de mama metastásico en el futuro. Esta es una tarea muy significativa.
La "recurrencia de metástasis" en la presente divulgación es un concepto que comprende la recurrencia de metástasis local que se produce en el sitio del cáncer de mama antes del tratamiento y/o la mama ipsilateral y/o la mama contralateral, y la recurrencia de metástasis distante que se produce en zonas distantes tales como el pulmón, hígado, hueso, ganglios linfáticos, piel y cerebro. Preferiblemente, en la presente divulgación, la recurrencia de metástasis puede ser una recurrencia de metástasis distante, pero no está limitado.
El término "metástasis" en la presente divulgación significa, después del tratamiento inicial, que las células cancerosas derivadas y modificadas de por lo menos un tumor de mama continúan creciendo hasta convertirse en cáncer en el sitio alejado del tumor (denominado en lo sucesivo "zona distante"). La zona distante puede estar, por ejemplo, en uno o más ganglios linfáticos, que pueden ser móviles o fijos, ipsilaterales o contralaterales al tumor, y la clavícula o la axila.
La predicción del pronóstico del cáncer de mama está determinada principalmente por el estadio de la enfermedad después de la cirugía para evaluar el tamaño del tumor (T), la metástasis a la periferia de los ganglios linfáticos (N) y las metástasis a distancia (M) (estadificación TNM). La predicción del pronóstico en pacientes clasificados según la estadificación TNM también es diferente incluso en el mismo estadio. Así, la predicción del pronóstico en el cáncer de mama del mismo estadio puede determinarse mediante la expresión del receptor de estrógeno o progesterona (ER o PR) y la sobreexpresión de HER2 (receptor 2 del factor de crecimiento epidérmico humano) o la amplificación del gen. Incluso en el cáncer de mama en el mismo estadio, la patología y el pronóstico varían significativamente dependiendo de la expresión del receptor de estrógeno, del receptor de progesterona o HER2, por lo que es necesario distinguirlo claramente y establecer el método de tratamiento específicamente.
Por lo tanto, recientemente, las características del cáncer de mama se han clasificado por genes y biología molecular (Tabla 1). Según el subtipo, el resultado y pronóstico del tratamiento son diferentes, y se utiliza como índice para la selección del método quirúrgico o de quimioterapia.
[Tabla 1]
El cáncer de mama en la presente divulgación es preferiblemente un cáncer de mama con receptor de estrógeno y/o receptor de progesterona positivo y HER2 negativo, y lo más preferiblemente puede ser un cáncer de mama de tipo luminal A, pero no se limita a ellos.
En el caso del cáncer de mama, cuanto más alto es el estadio, más avanzado está el cáncer y el pronóstico tampoco es bueno. El cáncer de mama se divide en 0 a 4 estadios. El cáncer de mama utiliza el sistema de estadificación TNM y se requieren tres factores para determinar la estadificación TNM. Existe un estadio T determinado por el tamaño y el carácter del propio cáncer, un estadio N determinado por el grado de afectación de los ganglios linfáticos y un estadio M determinado por si existe metástasis en otros sitios además de la mama. Las características patológicas en cada estadio se resumen en la Tabla 2 a continuación.
[Tabla 2]
En la presente divulgación, el cáncer de mama es preferiblemente un cáncer de mama en estadio inicial, más preferiblemente un cáncer de mama correspondiente a la etapa pN0 o pN1, lo más preferiblemente un cáncer de mama clasificado como estadio 1 o 2 según la estadificación TNM, pero no está limitado.
A continuación, en la presente memoria, se describe en detalle cada etapa del método para predecir la eficacia de la quimioterapia en el paciente con cáncer de mama.
(a) obtener una muestra biológica del paciente con cáncer de mama;
En la presente divulgación, la muestra biológica puede ser un tejido de cáncer de mama del paciente con cáncer de mama. El tejido de cáncer de mama también puede contener algunas células normales, preferiblemente un tejido fijado con formalina e incluido en parafina (FFPE), un tejido fresco y un tejido congelado que contiene células cancerosas de un paciente, pero no se limita a los mismos.
(b) medir el nivel de expresión del ARNm de por lo menos un gen relacionado con la proliferación seleccionado del grupo que consiste en UBE2C (enzima conjugadora de ubiquitina E2C), TOP2A (topoisomerasa 2 alfa), RRM2 (ribonucleótido reductasa M2), FOXM1 (forkhead box M1) y MKI67 (marcador de proliferación Ki-67) y un gen relacionado con el sistema inmunológico BTN3A2 (miembro A2 de la subfamilia 3 de butirofilinas) a partir de la muestra en (a).
Un marcador predictivo del pronóstico del cáncer de mama en la presente divulgación pueden ser genes relacionados con la proliferación que consisten en UBE2C (enzima conjugadora de ubiquitina E2C), TOP2A (topoisomerasa 2 alfa), RRM2 (ribonucleótido reductasa M2), FOXM1 (forkhead box M1) y MKI67 (marcador de proliferación Ki-67) y un BTN3A2 (miembro A2 de la subfamilia 3 de butirofilinas), un gen relacionado con el sistema inmunológico. Cada uno de ellos puede seleccionarse independientemente, pero puede usarse para predecir la eficacia de la quimioterapia en el paciente con cáncer de mama, preferiblemente mediante una combinación de dos o más genes.
Cada uno de los genes anteriores puede ser una secuencia de cada gen o un sinónimo de cada gen conocido en la técnica, preferiblemente una secuencia de cada gen derivada de un ser humano, más preferiblemente UBE2C (ID del gen: 11065), TOP2A (ID del gen: 7153), RRM2 (ID del gen: 6241), FOXM1 (ID del gen: 2305), MKI67 (ID del gen: 4288), BTN3A2 (ID del gen: 11118), pero no se limitan a los mismos.
Los sinónimos y secuencias de cada gen se pueden encontrar en GenBank.
En la presente divulgación, el nivel de expresión del ARNm se puede medir mediante cualquier método realizado en la técnica para medir el nivel de expresión del gen. Preferiblemente, los métodos se pueden realizar usando una micromatriz, una reacción en cadena de la polimerasa (PCR), RT-PCR (qRT-PCR), PCR en tiempo real, transferencia Northern, chip de ADN y chip de ARN, pero no se limitan a los mismos.
La medición del nivel de expresión del gen de interés de la presente divulgación es preferiblemente una detección del nivel de expresión del gen de interés, más preferiblemente la detección cuantitativa del nivel de expresión del gen de interés. Para detectar el nivel de expresión, puede ser necesario el aislamiento del ARNm en el tejido de la muestra y la síntesis de ADNc en el ARNm. Para aislar el ARNm, se puede utilizar un método de aislamiento de ARN en una muestra conocido en la técnica. Preferiblemente, la muestra es una muestra de FFPE y, por tanto, puede ser un método para separar ARNm adecuado para una muestra de FFPE. Como proceso de síntesis de ADNc, se puede utilizar un método de síntesis de ADNc conocido en la técnica que utiliza ARNm como molde. Preferiblemente, el nivel de expresión del marcador predictivo de la eficacia de la quimioterapia en el paciente con cáncer de mama de la presente divulgación es la detección cuantitativa de la expresión de ARNm en la muestra de FFPE. Por lo tanto, se puede medir mediante el método de aislamiento de ARNm para muestras de FFPE y la reacción en cadena de la polimerasa cuantitativa con transcripción inversa en tiempo real (RT-qPCR).
Además, la medición del nivel de expresión del gen de interés en la presente divulgación se puede realizar según un método conocido en la técnica, pero se puede medir mediante un sistema de análisis cuantitativo óptico usando una sonda marcada con un tinte fluorescente indicador y/o o un tinte fluorescente neutralizador. La medición se puede realizar mediante un equipo disponible comercialmente, por ejemplo, un sistema como ABIPRISM 7700™ Sequence Inspection System™, Roche Molecular Biochemicals Lightcycler y el software adjunto al mismo. Dichos datos de medición pueden expresarse como un valor de medición o un ciclo umbral (Ct o Cp). El punto en el que se registra el valor de fluorescencia medido como primer punto estadísticamente significativo es el ciclo umbral. Esto indica que el objetivo de detección aparece en proporción inversa al valor inicial existente como molde de la reacción de PCR, de modo que cuando el valor del ciclo umbral es menor, los objetivos a detectar existen de forma más cuantitativa.
(c) normalizar el nivel de expresión del ARNm medido en (b);
Los niveles de expresión de los genes que se van a detectar en la presente divulgación pueden ser diferentes en cantidades de expresión de genes globales o niveles de expresión dependiendo del paciente o la muestra, por lo que se requiere la normalización. La normalización se logra a través de diferencias en las cantidades de expresión o niveles de expresión de los genes que pueden indicar diferencias en las cantidades de expresión basal o niveles de expresión. Preferiblemente, calcula una relación de una cantidad de expresión promedio de uno a tres genes (o el promedio de estas cantidades de expresión cuando se selecciona una pluralidad de genes) en CTBP1 (proteína de unión a C-terminal 1), CUL1 (cullina 1) y UBQLN1 (ubiquilina 1).
(d) predecir el pronóstico del cáncer de mama mediante una combinación de por lo menos un gen relacionado con la proliferación y el gen relacionado con el sistema inmunológico normalizado en la etapa (b), en el que se predice que el pronóstico será malo cuando el gen relacionado con la proliferación está sobreexpresado y se predice que el pronóstico será bueno cuando el gen relacionado con el sistema inmunológico está sobreexpresado.
En la presente divulgación, el término "mal pronóstico" significa que la probabilidad de metástasis, recurrencia o recurrencia de metástasis de cáncer después del tratamiento es alta, y el término "buen pronóstico" significa que la probabilidad de metástasis, recurrencia o recurrencia de metástasis de cáncer después el tratamiento es baja. Preferiblemente, el término "mal pronóstico" significa que la probabilidad de metástasis, recurrencia o recurrencia de metástasis de cáncer dentro de 10 años es alta, y el término "buen pronóstico" significa que la probabilidad de metástasis, recurrencia o recurrencia de metástasis de cáncer dentro de 10 años es baja.
El término "10 años" se refiere a 10 años desde el momento en que se extirpa el cáncer mediante cirugía de pacientes con cáncer de mama primario (es decir, el punto de partida de la cirugía).
En la presente divulgación, la sobreexpresión de los genes relacionados con la proliferación está estrechamente relacionada con el mal pronóstico en el paciente con cáncer de mama. La sobreexpresión del gen relacionado con el sistema inmunológico mencionado anteriormente está estrechamente relacionada con el buen pronóstico en el paciente con cáncer de mama. Por lo tanto, el pronóstico del cáncer de mama se puede predecir con más exactitud al combinar el patrón de expresión de los genes relacionados con la proliferación y el gen relacionado con el sistema inmunológico.
La combinación de genes de la presente divulgación se puede usar para seleccionar pacientes que no necesitan quimioterapia adicional después de la cirugía por cáncer de mama primario. El grupo de pacientes objetivo de la combinación de genes en la presente divulgación es preferiblemente un grupo de pacientes que no se han sometido a ninguna quimioterapia incluso antes y después de la cirugía, y los pacientes con "buen pronóstico" tienen menos probabilidades de desarrollar metástasis, recurrencia o recurrencia de metástasis dentro de 10 años, por lo que no se necesita quimioterapia adicional después de la cirugía, pero en pacientes con "mal pronóstico" existe una alta incidencia de metástasis, recurrencia o recurrencia de metástasis dentro de 10 años posteriores a la cirugía, por lo que se puede recomendar quimioterapia adicional después de la cirugía.
En la presente divulgación, los pacientes con baja eficacia de la quimioterapia son aquellos que se prevé que no tendrán un mal pronóstico del paciente con cáncer de mama (es decir, que se espera que tengan un "buen pronóstico" en el futuro) y no requieren quimioterapia adicional después de la cirugía debido a la baja probabilidad de metástasis, recurrencia o recurrencia de metástasis dentro de 10 años. Sin embargo, los pacientes con alta eficacia de la quimioterapia son aquellos que se prevé que tendrán un mal pronóstico del paciente con cáncer de mama (es decir, que se espera que tengan un "mal pronóstico" en el futuro) y requieren quimioterapia adicional después de la cirugía debido a la alta probabilidad de metástasis, recurrencia o recurrencia de metástasis dentro de 10 años. En otras palabras, se puede determinar que los pacientes que se prevé que no tendrán un mal pronóstico de cáncer de mama tendrán más ventajas para la progresión del cáncer de mama sin quimioterapia en el futuro porque los efectos secundarios debidos a la quimioterapia son mayores que el efecto terapéutico. Sin embargo, se puede determinar que los pacientes que se prevé que tendrán un mal pronóstico de cáncer de mama serán más ventajosos para la progresión del cáncer de mama con la quimioterapia en el futuro porque el efecto terapéutico es mayor que los efectos secundarios debidos a la quimioterapia.
Además, la presente divulgación incluye además una etapa de evaluar el tamaño y el estadio pN del tumor después de (b). En (d), la presente divulgación proporciona un método para predecir el pronóstico del cáncer de mama, que se caracteriza por que si el tamaño del tumor es mayor y el estadio pN es mayor, se determina que el pronóstico es malo. En otras palabras, el pronóstico del cáncer de mama se puede predecir con más exactitud combinando la expresión de genes relacionados con la proliferación, la expresión de genes relacionados con el sistema inmunológico, el tamaño del tumor y el estadio pN, y el método para predecir el pronóstico del cáncer de mama en pacientes con cáncer de mama mediante dicha combinación no se ha informado en el pasado.
En la presente divulgación, el tamaño del tumor se refiere a la longitud del eje principal del cáncer, preferiblemente la longitud del eje principal del cáncer medida por un patólogo. El tamaño del tumor se expresa en centímetros.
En la presente divulgación, el pN se refiere a un método para determinar la metástasis en el ganglio linfático mediante una clasificación patológica entre los métodos para clasificar el estadio del cáncer de mama. El método de clasificación patológica también se denomina clasificación histopatológica posquirúrgica. Es un método para distinguir estadios patológicos mediante la recopilación de información de exámenes quirúrgicos o patológicos junto con la información obtenida antes de iniciar el tratamiento en el paciente con cáncer de mama.
La pN es un método de discriminación basado en el grado de metástasis en los ganglios linfáticos. Los ganglios linfáticos axilares se extirparán para determinar si el tumor tiene metástasis. Cuanto mayor es el nivel de pN, más metástasis de células tumorales se han producido en los ganglios linfáticos. Por lo tanto, se puede determinar que la eficacia de la quimioterapia es alta porque el pronóstico del cáncer de mama era malo.
En la presente divulgación, el pN puede ser preferiblemente el pN0 o el pN1, pero no se limita a ellos. El pN0 se refiere a un estadio en el que no se observa metástasis en el ganglio linfático local. El pN1 refiere una etapa en la que se encuentran micrometástasis en uno a tres ganglios linfáticos axilares ipsilaterales.
Por lo tanto, al determinar el tamaño del tumor y el estadio pN como predictor de pronóstico del paciente con cáncer de mama junto con los niveles de expresión de los genes medidos en (b) según el método anterior, el pronóstico del paciente con cáncer de mama puede predecirse con más exactitud.
La presente invención está dirigida a un método para predecir el pronóstico del cáncer de mama para proporcionar la información necesaria para predecir el pronóstico de un paciente con cáncer de mama, comprendiendo el método las etapas de:
(a) medir el nivel de expresión del ARNm de UBE2C (enzima conjugadora de ubiquitina E2C), TOP2A (topoisomerasa 2 alfa), RRM2 (ribonucleótido reductasa M2), FOXM1 (forkhead box M1), MKI67 (marcador de proliferación Ki-67) y BTN3A2 (miembro A2 de la subfamilia 3 de butirofilinas) de una muestra biológica obtenida del paciente con cáncer de mama, respectivamente;
(b) normalizar el nivel de expresión del ARNm medido en la etapa (a);
(c) evaluar el tamaño de un tumor y el estadio pN en el paciente con cáncer de mama;
(d) calcular un valor numérico al poner un valor normalizado obtenido en la etapa (b), y el tamaño del tumor y el estadio pN en la etapa (c) en las ecuaciones 1 y 2 siguientes
[Ecuación 1]
Puntuación BCT sin escalar (U — BS)
= a * ACt_UBE2C b * AC_TOP2A c * ACt_RRM2 d * ACt_FOXM1 e * ACt_MKI67 f * ACt_BTN3A2 g * Tamaño_del_tumor (cm) h * pN(0 o 1)
[Ecuación 2]
Puntuación BCT = 0 si 0,8*puntuación BCT sin escalar (U-BS)-13,71 < 0
Puntuación BCT = 0,8*U-BS-13,71 si 0 < 0,8*U-BS-13,71 < 0
Puntuación BCT = 10 si 0,8*U-BS-13,71 > 10
(en el que el valor del gen utilizado para predecir la eficacia de la quimioterapia es un valor de expresión de ARNm normalizado calculado utilizando un gen estándar; el tamaño del tumor es un valor determinado como la longitud del eje largo del tumor y el pN es un valor determinado según el juicio patológico de una metástasis en los ganglios linfáticos, en el que una a es de 0,16 a 1,09, b es de 0 a 0,71, c es de 0 a 0,53, d es de 0 a 0,57, e es de 0 a 0,35, f es de -1,02 a 0, g es 0,25 a 1,52 y h es de 0,19 a 2,25, y
(e) predecir que cuanto mayor sea el valor calculado en la etapa (d), peor será el pronóstico.
Los puntos (a) a (d) son los mismos que se describen anteriormente.
(e) calcular un valor numérico al poner un valor normalizado obtenido en la etapa (c), y el tamaño del tumor y el estadio pN en la etapa (d) en las ecuaciones 1 y 2 siguientes
[Ecuación 1]
Puntuación BCT sin escalar (U — BS)
= a * ACt_UBE2C b * AC_TOP2A c * ACt_RRM2 d * ACt_FOXM1 e * ACt_MKI67 f * ACt_BTN3A2 g * Tamaño_del_tumor (cm) h * pN(0 o 1)
[Ecuación 2]
Puntuación BCT = 0 si 0,8*puntuación BCT sin escalar (U-BS)-13,71 < 0
Puntuación BCT = 0,8*U-BS-13,71 si 0 < 0,8*U-BS-13,71 < 0
Puntuación BCT = 10 si 0,8*U-BS-13,71 > 10
(en el que el valor del gen utilizado para predecir la eficacia de la quimioterapia es un valor de expresión de ARNm normalizado calculado utilizando un gen estándar; el tamaño del tumor es un valor determinado como la longitud del eje largo del tumor y el pN es un valor determinado según el juicio patológico de una metástasis en los ganglios linfáticos,
en el que una a es de 0,16 a 1,09, b es de 0 a 0,71, c es de 0 a 0,53, d es de 0 a 0,57, e es de 0 a 0,35, f es de -1,02 a 0, g es 0,25 a 1,52 y h es de 0,19 a 2,25;
La puntuación de predicción del pronóstico se calcula mediante la combinación lineal del gen y el coeficiente correspondiente a cada tamaño de tumor y pN. El gen de proliferación, el tamaño del tumor y el pN tienen un coeficiente positivo y el gen inmunitario tiene un coeficiente negativo. Cada coeficiente se aplica dentro de un intervalo de confianza del 95 % del valor del coeficiente calculado (estimación puntual) como resultado del análisis de supervivencia, y preferiblemente se utiliza la estimación puntual de cada coeficiente.
Preferiblemente, el método para predecir el pronóstico del paciente con cáncer de mama según la presente divulgación está relacionado con las dos características biológicas principales que regulan el resultado clínico del paciente con cáncer de mama, concretamente, la respuesta inmunitaria y la proliferación celular. Se cribaron genes que se expresaron de forma estable en muestras de tejido FFPE y que mostraron una expresión muy diferente según el pronóstico. Los coeficientes de los genes y dos informaciones clínicas importantes (el tamaño del tumor y el estadio pN) para el pronóstico se calcularon mediante análisis de Cox y la puntuación BCT se puede obtener al multiplicar los valores de expresión de los genes normalizados, el tamaño del tumor y el estadio pN según la Ecuación 1 siguiente para predecir el pronóstico del cáncer de mama.
[Ecuación 1]
Puntuación BCT sin escalar
= 0,63 * ACt_UBE2C 0,32 * AC_TOP2A 0,13 * ACt_RRM2 0.02 * ACt_FOXM1 0,04 * ACt_MKI67 0,42 * ACt_BTN3A2 0,89 * Tamaño_del_tumor (cm) 1,22 * pN(0 o 1)
El grado en que los factores de pronóstico (genes, información clínica) afectan la tasa de supervivencia se puede mostrar como un valor cuantitativo mediante el análisis de riesgos proporcionales de Cox. El modelo de riesgos proporcionales de Cox expresa el grado de los factores de pronóstico que afectan la tasa de supervivencia a través del índice de riesgo relativo (HR), que es una proporción del riesgo en ausencia y en presencia de factores de pronóstico. Si el valor del índice de riesgo relativo (HR) es mayor que 1, el riesgo en presencia de factores de pronóstico es mayor que en ausencia. Si el factor de pronóstico es menor que 1, el riesgo en presencia de factores de pronóstico se reduce aún más. La conversión del índice de riesgo relativo a la escala logarítmica para cada factor de pronóstico se denomina coeficiente para cada factor y este valor se utiliza como coeficiente para calcular el modelo de puntuación BCT (Cox, David R. "Regression models and life-tables" Journal of the Royal Statistical Society. Serie B (Metodológica) (1972): 187-220. Del coeficiente del gen se verificó la validez del resultado de la ecuación mediante validación cruzada.
En la ecuación anterior, un valor obtenido al normalizar el nivel de expresión de cada gen se sustituye en cada 'ACt_gen de predicción del pronóstico'. La normalización se logra a través de diferencias en las cantidades de expresión o niveles de expresión de los genes que pueden indicar diferencias en las cantidades de expresión basal o niveles de expresión. Preferiblemente, calcula una relación de una cantidad de expresión promedio de uno a tres genes (o el promedio de estas cantidades de expresión cuando se selecciona una pluralidad de genes) en CTBP1 (proteína de unión a C-terminal 1), CUL1 (cullina 1) y UBQLN1 (ubiquilina 1).
Específicamente, el valor del "ACt_gen de predicción del pronóstico" es un valor obtenido al sumar 30 después de restar el valor de expresión de cada gen pronóstico del valor de expresión promedio de los genes estándar, incluidos CTBP1 (proteína de unión a C-terminal 1), CUL1 (cullina 1) y UBQLN1 (ubiquilina 1). Este valor se convierte en un valor normalizado de cada gen de predicción del pronóstico. Es decir, el valor normalizado de cada gen de predicción del pronóstico se calcula mediante la ecuación siguiente:
[ACt_gen de predicción del pronóstico = ((Ct_CTBP1 Ct_CUL1 Ct_UBQLN1)/3) - Ct_gen de predicción del pronóstico 30]
(El "gen de predicción del pronóstico" mencionado anteriormente se refiere a cualquiera entre UBE 2 C (enzima conjugadora de ubiquitina E2C), TOP2A (topoisomerasa 2 alfa), RRM 2 (ribonucleótido reductasa M2), FOXM 1 (forkhead box M1), MKI 67 (marcador de proliferación Ki-67) y BTN3A2 (miembro A2 de la subfamilia 3 de butirofilinas).
El "Ct" se refiere al número de ciclos cuando se amplifica una determinada cantidad del producto de amplificación por PCR. Al utilizar el método RT-PCR en tiempo real, dado que el cambio en la intensidad de la fluorescencia es en general igual a un nivel de ruido, que es igual a 0, cuando el número de ciclos de amplificación es de 1 a 10, dicha intensidad de fluorescencia se considera como una muestra en blanco del producto de amplificación 0. Un valor de fluorescencia obtenido al calcular la desviación estándar SD del mismo y multiplicado por 10 se determina como un valor umbral, y el número de ciclos de PCR que primero sobrepasa el umbral se considera un valor Ct (umbral de ciclo). Por lo tanto, cuando el producto de amplificación es grande, el valor de Ct pasa a ser un valor pequeño, y cuando el producto de amplificación es pequeño, el valor de Ct pasa a ser un valor grande.
En la presente divulgación, los valores de expresión de los respectivos genes pronóstico se normalizan usando genes estándar, y los valores Ct promedio de tres genes estándar se usan para minimizar los errores técnicos que pueden producirse en la prueba.
En la presente invención, para expresar el valor calculado de la [Ecuación 1 ] como un valor numérico intuitivo, el valor calculado se convierte a un valor entre 0 y 10 mediante una transformación lineal como se muestra en la [Ecuación 2].
[Ecuación 2] (fórmula de cálculo de la puntuación BCT)
Puntuación BCT = 0 si 0,8*puntuación BCT sin escalar (U-BS)-13,71 < 0
Puntuación BCT = 0,8*U-BS-13,71 si 0 < 0,8*U-BS-13,71 < 10
Puntuación BCT = 10 si 0,8*U-BS-13,71 > 10
(f) predecir que cuanto mayor sea el valor numérico calculado en €, peor será el pronóstico:
Según un ejemplo de la presente divulgación, en el método de predicción del pronóstico del cáncer de mama según la presente divulgación, se calculó el punto en el que se maximizaba la suma de la sensibilidad y la especificidad como parámetros para evaluar la exactitud de la clasificación del grupo de riesgo. Como resultado, determinamos que cuando el valor numérico calculado según la Ecuación 1 anterior sobrepasaba 22,1, el pronóstico de cáncer de mama era malo (alto riesgo de metástasis), y cuando el valor es 22,1 o menos, el pronóstico de cáncer de mama (bajo riesgo de metástasis) era bueno.
Mientras tanto, en el caso de la Ecuación 2 (puntuación BCT) obtenida mediante la transformación lineal de la Ecuación 1 (puntuación BCT sin escalar), determinamos que, si el valor es 4 o mayor, el pronóstico del cáncer de mama era malo (grupo de alto riesgo de metástasis) y si el valor era inferior a 4, el pronóstico del cáncer de mama (bajo riesgo de metástasis) era bueno.
En la presente divulgación, la "sensibilidad" se refiere al porcentaje de pacientes de alto riesgo en los resultados de las pruebas de pacientes que han hecho metástasis dentro de 10 años, y la "especificidad" se refiere al porcentaje de pacientes de bajo riesgo en los resultados de las pruebas de pacientes que no han hecho metástasis durante 10 años.
Según una realización de la presente divulgación, los autores de la invención obtuvieron la probabilidad de recurrencia de metástasis a distancia en el grupo de prueba de cálculo del algoritmo, y el resultado fue que la tasa de supervivencia libre de metástasis a distancia a 10 años fue del 97,85 % en el grupo de bajo riesgo basado en en la puntuación BCT y del 1,07 % en el grupo de alto riesgo. Es decir, se confirmó que había una diferencia estadísticamente significativa en la probabilidad de recurrencia de metástasis a distancia (valor de p = 2,51 e-11, prueba de rango logarítmico). Y en el grupo de prueba de validación del algoritmo, la tasa de supervivencia libre de metástasis a distancia a 10 años fue del 96,47 % en el grupo de bajo riesgo basándose en la puntuación BCT y del 76,31 % en el grupo de alto riesgo. Es decir, hubo una diferencia estadísticamente significativa en la probabilidad de recurrencia de metástasis a distancia al igual que en el grupo de prueba de cálculo del algoritmo (valor de p = 3,76e-05, prueba de rango logarítmico).
Según una realización de la presente divulgación, los autores de la invención analizaron utilizando el modelo de riesgos proporcionales de Cox para determinar la significación estadística de la puntuación BCT y la información clínica y los genes utilizados en la puntuación BCT (es decir, tamaño del cáncer y estadio pN). Como resultado, se confirmó que la puntuación BCT según la presente divulgación es más significativa que la información clínica utilizada como índice de pronóstico general y los modelos de evaluación del pronóstico tales como la puntuación del NPI, PREDICT y SNAP basados en la información clínica.
Según otro ejemplo de la presente divulgación, se comparó el índice c de la puntuación BCT y otros modelos basados en la información clínica del mismo grupo de pacientes. Como resultado, la puntuación BCT mostró el valor del índice c más alto y se confirmó que mostraba una mayor predicción del pronóstico del cáncer de mama que otros modelos.
Por tanto, el algoritmo de la presente divulgación se puede utilizar para cribar pacientes que no necesitan quimioterapia adicional después de la cirugía del cáncer de mama primario. El grupo sujeto del presente algoritmo de la presente divulgación es preferiblemente un grupo de pacientes que no se ha sometido a ninguna quimioterapia antes y después de la cirugía, y los pacientes con un "buen pronóstico" tienen una baja probabilidad de metástasis, recurrencia o recurrencia de metástasis dentro de 10 años (baja eficacia de la quimioterapia), pero los pacientes con "mal pronóstico" tienen más probabilidad de desarrollar metástasis, recurrencia o recurrencia de metástasis dentro de los 10 años posteriores a la cirugía, y se puede recomendar quimioterapia adicional (alta eficacia de la quimioterapia) después de la cirugía.
Es decir, el algoritmo para predecir la eficacia de la quimioterapia del paciente con cáncer de mama según la Ecuación 1 anterior o la Ecuación 1 y 2 de la presente divulgación se obtuvo al analizar genes relacionados con la proliferación, genes relacionados con el sistema inmunológico e información clínica (tamaño del tumor y estadio pN) estrechamente relacionados con el pronóstico del cáncer de mama a partir de una amplia gama de muestras clínicas. La predicción del pronóstico es mayor que otros modelos, tal como el modelo tradicional de evaluación del pronóstico basado en la información clínica.
La presente divulgación también proporciona una composición para predecir el pronóstico de un paciente con cáncer de mama, comprendiendo la composición agentes para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y BTN3A2, respectivamente.
Una realización según otro aspecto de la presente divulgación proporciona una composición para predecir el pronóstico de un paciente con cáncer de mama, consistiendo la composición en agentes para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y BTN3A2, respectivamente.
Una realización según otro aspecto más de la presente divulgación proporciona una composición para predecir el pronóstico de un paciente con cáncer de mama, consistiendo la composición fundamentalmente en agentes para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1 , MKI67 y BTN3A2, respectivamente.
La presente divulgación también proporciona una composición que comprende además agentes para medir el nivel de expresión de los genes CTBP1, CUL1 y UBQLN1, respectivamente.
En la presente divulgación, los agentes para medir el nivel de expresión de los genes pueden ser un conjunto de pares de cebadores que se unen específicamente a los genes UBE2C, TOP2A, RRM2, fOx M1, MKI67, BTN3A2, CTBP1, CUL1 y UBQLN1. Como se usa en la presente memoria, el término "cebador" se refiere a un oligonucleótido que actúa como punto de partida para la síntesis en condiciones bajo las cuales se induce la síntesis de un producto de extensión del cebador complementario a la cadena de ácido nucleico (molde), es decir, una presencia de polimerasas tales como un nucleótido y una ADN polimerasa, y una temperatura y pH adecuados. Preferiblemente, el cebador es un desoxirribonucleótido y un monocatenario. Los cebadores usados en la presente divulgación pueden comprender dNMP naturales (es decir, dAMP, dGMP, dCMP y dTMP), nucleótidos modificados o nucleótidos no naturales. Los cebadores también pueden incluir ribonucleótidos.
El cebador de la presente divulgación puede ser un cebador de extensión que se aparea con un ácido nucleico diana y forma una secuencia complementaria al ácido nucleico diana mediante una polimerasa de ácido nucleico dependiente de molde. Se extiende hasta una posición donde se aparea la sonda de inmovilización y ocupa la zona donde se aparea.
El cebador de extensión utilizado en la presente divulgación comprende una secuencia de nucleótidos de hibridación complementaria a la primera posición del ácido nucleico diana. El término "complementario" significa que el cebador o sonda es suficientemente complementario para hibridar de forma selectiva con la secuencia de ácido nucleico diana bajo determinadas condiciones de apareamiento o hibridación, y es sustancialmente complementario y perfectamente complementario, y preferiblemente significa totalmente complementario. Como se usa en la presente memoria, el término "secuencia sustancialmente complementaria" usado en relación con una secuencia cebadora pretende incluir no solo una secuencia completamente coincidente sino también una secuencia parcialmente incoherente con la secuencia que se va a comparar dentro de un intervalo que puede aparearse con una secuencia específica y servir como cebador.
El cebador debe ser lo suficientemente largo para cebar la síntesis del producto de extensión en presencia de polimerasas. La longitud adecuada del cebador está determinada por varios factores, tales como la temperatura, la aplicación y la fuente del cebador, pero típicamente es de 15 a 30 nucleótidos. Las moléculas de cebador cortas en general requieren temperaturas más bajas para formar un complejo híbrido suficientemente estable con el molde. El término "apareamiento" o "cebado" significa que el oligodesoxinucleótido o hexano tiene aposición al ácido nucleico molde, y la oposición permite que la polimerasa polimerice los nucleótidos para formar moléculas de ácido nucleico complementarias en el ácido nucleico molde o en una porción del mismo.
No es necesario que la secuencia del cebador tenga una secuencia totalmente complementaria a una secuencia parcial del molde, y es suficiente si el cebador tiene suficiente complementariedad dentro de un intervalo que se hibrida con el molde y puede realizar la acción específica del cebador. Por lo tanto, no es necesario que el cebador de la presente divulgación tenga una secuencia perfectamente complementaria a la secuencia de nucleótidos como un molde, y es suficiente si el cebador tiene suficiente complementariedad dentro de un intervalo que pueda hibridarse con la secuencia del gen y actuar como cebador. El diseño de dicho cebador puede llevarse a cabo fácilmente por aquellos expertos en la materia con referencia a la secuencia de nucleótidos descrita anteriormente, por ejemplo, usando un programa para el diseño de cebadores (por ejemplo, el programa PRIMER 3).
Preferiblemente, el par de cebadores en la presente divulgación se caracteriza por estar compuesto por la secuencia que se muestra en SEQ ID NO: 1 a SEQ ID NO: 18. Las secuencias de cebadores y sondas de los genes seleccionados para medir el nivel de expresión de los genes en la presente divulgación se muestran en la Tabla 3 a continuación.
[Tabla 3]
La presente divulgación proporciona un kit para predecir el pronóstico de un paciente con cáncer de mama, comprendiendo el kit agentes para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y BTN3A2, respectivamente.
La presente divulgación también proporciona un kit, en el que el kit comprende además agentes para medir el nivel de expresión de los genes CTBP1, CUL1 y UBQLN1, respectivamente.
El kit de la presente divulgación puede comprender además herramientas y/o reactivos conocidos en la técnica para su uso en el aislamiento de ARN y la síntesis de ADNc en reactivos de reacción de PCR, además de un conjunto de pares de cebadores que pueden amplificar los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67, BTN3A2, CTBP1, CUL1 y UBQLN1 mediante PCR. El kit de la presente divulgación puede comprender además un tubo, una placa de pocillos que se usará para mezclar los componentes respectivos y un material instructivo que describa el método de uso, si es necesario.
Además, la presente divulgación proporciona el uso de agentes para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y BTN3A2 para preparar agentes para predecir el pronóstico de un paciente con cáncer de mama. La presente divulgación también proporciona el uso de agentes, en en el que los agentes para medir el nivel de expresión comprenden además agentes para medir el nivel de expresión de los genes CTBP1, CUL1 y UBQLN1, respectivamente.
Los "agentes para medir el nivel de expresión de los genes" de la presente divulgación son los mismos que se describen anteriormente, los "genes para preparar agentes para predecir el pronóstico" son los mismos que se describen anteriormente, y son uno o más seleccionados entre el grupo que consiste en UBE2C, TOP2A, RRM2, FOXM1, MKI67, BTN3A2, CTBP1, CUL1 y UBQLN1.
El término "que comprende" de la presente divulgación se usa como sinónimo de "que contiene" o "caracterizado" y no excluye elementos componentes adicionales o etapas del método no mencionadas en la composición o método. El término "que consiste en" significa excluir elementos, etapas o componentes adicionales no mencionados de otro modo. El término "que consiste fundamentalmente en" se refiere a comprender un elemento componente o etapa que se describe en el intervalo de una composición o un método y que no afecta sustancialmente su carácter básico.
Efecto ventajoso
La presente divulgación se refiere a un grupo de genes que muestra una correlación significativa con el pronóstico del cáncer de mama y a un método para predecir el pronóstico del cáncer de mama utilizando el grupo de genes y la información clínica. Por lo tanto, el método de la presente divulgación puede predecir con exactitud si existe metástasis, recurrencia o recurrencia de metástasis en pacientes con cáncer de mama en el futuro, y puede usarse con el propósito de presentar pistas sobre la dirección del tratamiento del cáncer de mama en el futuro.
Breve descripción de los dibujos
La figura 1 muestra la distribución de puntuaciones BCT sin escalar en el grupo de prueba algorítmica.
La figura 2 muestra la distribución de la puntuación BCT en el grupo de prueba de cálculo del algoritmo y el grupo de prueba de verificación.
La figura 3 es un gráfico que muestra una supervivencia libre de metástasis a distancia a 10 años en el grupo de alto riesgo y el grupo de bajo riesgo clasificados según la puntuación BCT.
La figura 4 es un gráfico que muestra los resultados de la evaluación del rendimiento de la predicción de los modelos de predicción de pronóstico de cáncer de mama a través del índice C.
Modo para llevar a cabo la divulgación
A continuación, en la presente memoria, la presente divulgación se describirá en detalle.
Sin embargo, los ejemplos siguientes son ilustrativos de la presente divulgación, y la presente divulgación no se limita a los ejemplos siguientes.
<Ejemplo 1>
Colección de perfiles de expresión de tejidos de cáncer de mama en fase precoz
El Gene Expression Omnibus del NCBI (GEO, www.ncbi.nlm.nih.gov/geo) es un sitio de base de datos donde los investigadores recopilan datos experimentales a gran escala sobre expresión génica y mutaciones, tales como una micromatriz. Los datos de este sitio se pueden volver a analizar libremente y el proceso de derivación de este gen pronóstico también utilizó datos de este sitio.
Los datos de micromatrices utilizadas en este estudio se limitaron a datos que utilizan un chip de micromatrices llamado “matriz del genoma humano U133A Affymetrix”.
Existen alrededor de 22.000 sondas en el chip y cada sonda es un único gen. El grado de expresión del ARNm en la mayoría de los genes del cuerpo humano se puede medir a través del análisis del chip.
En el sitio GEO del NCBI, examinamos conjuntos de datos de micromatrices de pacientes con ganglios linfáticos negativos y que no se trataron con quimioterapia después de la cirugía. Como resultado, se obtuvieron 684 datos de muestras de los tres conjuntos de datos siguientes. La información sobre el conjunto de datos de la muestra se muestra en las Tablas 4 y 5 a continuación.
[Tabla 4]
Conjuntos de datos de la muestra
N.° GEO Año de registro Número de Diagnóstico de la Período de observación en el GEO muestras muestra (Fecha) retrospectiva (Año) GSE2034 2.005 286 1980-1995 7,17
GSE7390 2.006 198 1980-1998 12,01
GSE11121 2.008 200 1988-1998 7,54
[Tabla 5]
Información patológica de muestras clínicas
Características Conjunto de datos de detección
GSB2034 GSF-7390 GSE11121
Total,266 (100 %) 198 (100 %) 200 (100 %)
Edad
< 40 36 (13 %) 42 (21,2 %) 10 (5 %)
41-55 123 (45 %) 129 (65,2 %) 64 (32 %)
56-70 89 (31 %) 27 (13,6 %) 83 (42 %)
> 70 32 (11 %) 43 (22 %)
No disponible
Estado de
ER
ER+ 209 (73,1 %) 134 (67,7 %) 156 (78 %)
ER- 77 (26,9 %) 64 (32,3 %) 44 (22 %)
No disponible
Grado
G1 7 (2 %) 30 (15,2 %) 29 (14,5 %)
G2 42 (15 %) 83 (41,9 %) 136 (68,0 %)
G3 148 (52 %) 83 (41,9 %) 35 (17,5 %)
No disponible 89 (31 %) 2 (1,0 %)
Estadio T
T1 146 (51 %) 107 (54 %) 112 (56,0 %)
T2 132 (46 %) 91 (46,0 %) 85 (42,5 %)
T3 a (3 %) 3 (1,5 %)
No disponible
Estadio N
N- 266 (100 %) 198 (100 %) 200 (100 %)
N+
No disponible
<Ejemplo 2>
Según la distribución de la supervivencia libre de metástasis a distancia (DMFS), los pacientes sin recurrencia de metástasis a distancia durante más de 10 años se clasificaron como "grupo de buen pronóstico" y aquellos con recurrencia de metástasis a distancia dentro de 5 años se clasificaron como "grupo de mal pronóstico". Como resultado de clasificar los grupos de muestra según estos criterios de clasificación, se clasificó que el grupo de buen pronóstico fue 212 y el grupo de mal pronóstico fue 159. La DMFS media fue de 13 años en el grupo de buen pronóstico y de 2,2 años en el grupo de mal pronóstico.
<Ejemplo 3>
Selección de gen para predecir el pronóstico
Examinamos los genes cuyos niveles de expresión diferían entre los grupos de pronóstico mediante el análisis SAM (análisis significativo de micromatrices) en 212 muestras con buen pronóstico y 159 muestras con mal pronóstico. Utilizando los valores q de los resultados del análisis SAM, seleccionamos genes sobreexpresados en un grupo de buen pronóstico y genes sobreexpresados en un grupo de mal pronóstico. Los genes seleccionados se combinan en un conjunto. Como resultado, se crearon un total de 302 conjuntos de genes no redundantes y se realizó un análisis de agrupamiento mediante análisis de componentes principales (PCA) para determinar el patrón de expresión de estos genes. Se realizó un análisis de función de ontología génica (GO) para cada grupo con el fin de seleccionar los dos componentes principales y explorar las funciones biológicas relacionadas para cada componente principal.
Los resultados del análisis GO mostraron que el componente principal 1 se concentraba en la proliferación y el componente principal 2 se concentraba en la respuesta inmunitaria. Se seleccionaron genes con el nivel de expresión más alto entre grupos de pronóstico en los genes que pertenecen a dos componentes principales implicados en la proliferación y la respuesta inmunitaria. Para cada conjunto de genes, el gen se denominó gen p que representa el patrón de expresión de proliferación y gen i que representa el patrón de expresión de la respuesta inmunitaria. En el grupo de genes clasificado como gen p o gen i, se seleccionaron los genes que cumplían las condiciones siguientes como genes candidatos para el modelo de diagnóstico de pronóstico genético:
(i) Alta relevancia para la inmunidad o la respuesta inmunitaria.
(ii) gran diferencia en la expresión entre muestras.
(iii) valor de expresión alto en promedio.
(iv) alta correlación de expresión entre FFPE y muestras congeladas en los resultados de qRT-PCR.
Los grupos de genes seleccionados según los criterios anteriores son los siguientes.
(1) 10 tipos de grupos de genes relacionados con la proliferación (genes p): AURKA, CCNB2, FOXM1, MKI67, MMP11, PTTG1, RACGAP1, RRM2, TOP2A y UBE2C
(2) Seis tipos de genes relacionados con la respuesta inmunitaria (genes i): BTN3A2, CCL19, CD2, CD52, HLA. DPA1 yTRBC1
<Ejemplo 4>
Selección de variables para implementar el algoritmo de predicción del pronóstico del cáncer de mama
<4-1> Obtención de muestras para la implementación del algoritmo
Obtuvimos 174 muestras de un paciente con cáncer de mama que no se trató con quimioterapia en el Hospital Samsung y el Hospital Asan, las usamos para implementar el algoritmo y utilizamos 227 muestras para la verificación del algoritmo. La información clínica de las muestras de pacientes obtenidas se muestra en la Tabla 6 a continuación.
[Tabla 6]
Información clínica de las muestras clínicas de los hospitales Samsung y Asan.
Grupo de prueba de cálculo del Grupo de prueba de validación del algoritmo algoritmo
N.° de pacientes % N.° de pacientes % Muestras 174 100,00 % 227 100,00 % Edad (años)
<50 66 37,93 % 109 48,02 % >=50 108 62,07 % 113 49,78 % NA 0 0,00 % 5 2,20 % pN
0 163 93,68 % 208 91,63 %
1 11 6,32 % 19 8,37 % Tamaño del tumor
(cm)
< 2 141 81,03 % 189 83,26 %
2 - 5 33 18,97 % 38 16,74 %
> 5 0 0,00 % 0 0,00 % Estadio patológico
IA 136 78,16 % 177 77,97 % IIA 31 % 17,82 % 34 % 14,98 % IIB 7 4,02 % 11 % 4,85 % NA 0 0,00 % 5 2,20 % Grado histológico
1 53 30,46 % 36 15,86 % 2 103 59,20 % 149 65,64 % 3 18 10,34 % 37 16,30 %
<4-2> Selección de genes que se utilizarán para la predicción del pronóstico
Los ARN de 16 genes previamente seleccionados se extrajeron de las muestras de FFPE y se realizó la qRT-PCR para calcular sus valores de expresión.
Los cambios en el riesgo de metástasis a distancia debido al aumento de la expresión de cada gen se pueden verificar utilizando el modelo de riesgos proporcionales de Cox. El índice de riesgo (HR) se define como la relación del riesgo de aparición de un evento (metástasis a distancia) según la presencia o ausencia de un factor de riesgo (gen) en un modelo de riesgos proporcionales de Cox en un intervalo de tiempo determinado. Si este riesgo es mayor que 1, el factor de riesgo aumentará el riesgo del evento, pero si es menor que 1 significa que el riesgo disminuirá.
Los genes relacionados con la proliferación clasificados como genes p tenían un valor de riesgo de 1 o más, y cuanto mayor era el valor de expresión, peor era el pronóstico. Sin embargo, los genes clasificados como genes i tenían un valor de riesgo inferior a 1 y se confirmó que cuanto mayor era el valor de expresión, mejor era el resultado del pronóstico.
La importancia de predecir el pronóstico entre los genes observados es mayor que la de otros genes, y los genes coherentes con la dirección de otros estudios y el pronóstico se seleccionaron como genes que se utilizarán en el algoritmo final.
Los genes seleccionados son cinco genes relacionados con la proliferación (UBE2C, TOP2A, MKI67, RRM2 y FOXM1) y un gen relacionado con la respuesta inmunitaria (BTN3A2). Se seleccionaron tres genes estándar adicionales (CTBP1, CUL1 y UBQLN1) adecuados para el tejido FFPE a partir de artículos existentes y sus valores de expresión se utilizaron para el análisis ("Identification of novel reference genes using multiplatform expression data and their validation for quantitative gene expression analysis".
PLoS One 4(7): e6162.2009).
<4-3> Selección del grado clínico a utilizar en el algoritmo
A partir del modelo univariante de riesgos proporcionales de Cox, identificamos los factores clínicos importantes asociados con la recurrencia de metástasis en un paciente con cáncer de mama que no se trató con quimioterapia (valor de p<0,05).
Los resultados se muestran en la Tabla 7 a continuación.
Como se muestra en la Tabla 7 a continuación, se encontró que el pN, estadio patológico, tamaño del tumor y la puntuación del NPI eran factores importantes para la metástasis a distancia.
Entre estos, el tamaño del tumor fue un factor importante en la recurrencia de metástasis a distancia en un paciente con cáncer de mama sin quimioterapia, pero no en un paciente con cáncer de mama que recibió quimioterapia. El pN fue significativo en ambos grupos de pacientes sin quimioterapia y con quimioterapia, pero los valores del índice de riesgo en pacientes sin quimioterapia fueron siete veces mayores que los de los pacientes tratados químicamente. En otras palabras, se encontró que el pN era un índice de recurrencia de metástasis a distancia más significativo en los pacientes que no recibieron quimioterapia que en los pacientes que sí la recibieron.
El estadio patológico también es un factor importante, pero es un concepto que incluye el tamaño del tumor y el pN. Puesto que la puntuación del NPI se calcula en función del tamaño del cáncer y el grado de metástasis en los ganglios linfáticos, este índice también se superpone con el tamaño del cáncer y la información del pN. Finalmente, seleccionamos el tamaño del tumor y la información de pN para obtener la información clínica en un modelo de predicción de pronóstico para pacientes que no se trataron con quimioterapia.
<Ejemplo 5>
Derivación de la ecuación de la puntuación BCT basada en el modelo de riesgos proporcionales de Cox
<5-1> Derivación de la ecuación
El grupo de genes p (UBE2C, TOP2A, RRM2, FOXM1 y MKI67) de los genes relacionados con la proliferación muestra un mal pronóstico a medida que aumenta el nivel de expresión, y el gen i (BTN3A2) del gen relacionado con el sistema inmunológico muestra un buen pronóstico a medida que aumenta el nivel de expresión. Estos genes se calcularon mediante análisis de riesgos proporcionales de Cox de la siguiente manera.
[Ecuación si la puntuación BCT no está escalada]
Puntuación BCT sin escalar (U — BS)
= 0,63 * ACt_UBE2C 0,32 * AC_TOP2A 0,13 * ACt_RRM2 0,02 * ACt_FOXM1 0,04 * ACt_MKI67 0,42 * ACt_BTN3A2 0,89 * Tamaño_del_tumor (cm) 1,22 * pN(0 o 1)
La puntuación BCT sin escalar (U-BS) se calculó según la ecuación anterior y se confirmó la distribución. Los resultados se muestran en la figura 1.
El punto de corte de la puntuación BCT clasifica a los pacientes como de bajo riesgo o alto riesgo de desarrollar recurrencia de metástasis a distancia dentro de 10 años. La variable de evaluación de la exactitud de la clasificación de los grupos de riesgo es la sensibilidad y la especificidad.
En el algoritmo de la presente divulgación, la sensibilidad y la especificidad se definen de la siguiente manera. Sensibilidad: el porcentaje de pacientes de alto riesgo que tuvieron una recurrencia de metástasis a distancia dentro de 10 años.
Especificidad: el porcentaje de pacientes de bajo riesgo que no tuvieron recurrencia de metástasis a distancia dentro de 10 años.
Cuanto mayor sea el valor de la sensibilidad y la especificidad, mejor será la clasificación. Sin embargo, aumentar la sensibilidad disminuye la especificidad, mientras que aumentar la especificidad disminuye la sensibilidad. En el algoritmo de la presente divulgación, el punto de clasificación de la puntuación BCT se calcula mediante el cálculo del punto de corte de la clasificación del grupo de riesgo de modo que la suma de la sensibilidad y la especificidad se maximice considerando tanto la sensibilidad como la especificidad.
Como se muestra en la figura 2, el punto en el que la suma de la sensibilidad y la especificidad alcanza un máximo según los criterios anteriores es 22,13767, que se designa como umbral para distinguir el grupo de alto riesgo del grupo de bajo riesgo. En otras palabras, si la puntuación BCT (BS) es 22,13767 o más, se puede clasificar como grupo de alto riesgo de metástasis a distancia.
<5-2> Derivación de la ecuación escalada
Para expresar la ecuación del ejemplo <5-1> de manera más intuitiva, se convirtió en una puntuación BCT mediante transformación lineal. La ecuación es de la siguiente manera.
[La ecuación de la puntuación BCT (BS)]
Puntuación BCT = 0 si 0,8*U-BS-13,71 < 0
Puntuación BCT = 0,8*U-BS-13,71 si 0 < 0,8*U-BS-13,71 < 10
Puntuación BCT = 10 si 0,8*U-BS-13,71 > 10
Si el valor de la puntuación BCT es menor que 0, se sustituye por 0, y si es mayor que 10, se convierte en 10. A medida que aumenta la puntuación BCT, aumenta la posibilidad de recurrencia del cáncer, metástasis o recurrencia de metástasis dentro de 10 años.
La puntuación BCT se calculó según la ecuación anterior y se confirmó la distribución. Los resultados se muestran en la figura 2. Como se muestra en la figura 3, el umbral para clasificar a los pacientes en el grupo de alto riesgo y el grupo de bajo riesgo para metástasis a distancia se estableció en 4 (el punto donde la suma de la sensibilidad y la especificidad alcanzaron un máximo) en la puntuación BCT. Si la puntuación BCT es 4 o más, se puede clasificar como grupo de alto riesgo con recurrencia, metástasis o recurrencia de metástasis y menos de 4, se puede clasificar como grupo de bajo riesgo.
<Ejemplo 6>
Evaluación del rendimiento en la predicción del pronóstico
<6-1> Evaluación del rendimiento a través del grupo de prueba de cálculo del algoritmo y grupo de prueba de verificación.
El grupo de alto riesgo clasificado según la ecuación del Ejemplo 5 significa que la recurrencia, metástasis o recurrencia de metástasis puede producirse con mayor probabilidad que el grupo de bajo riesgo. La figura 3 muestra los resultados de la estimación de la probabilidad de recurrencia de metástasis a distancia mediante el análisis de supervivencia del grupo de prueba de cálculo del algoritmo (conjunto de detección) y el grupo de prueba de validación del algoritmo (conjunto de validación).
Como se muestra en la figura 3, la supervivencia libre de metástasis a distancia dentro de 10 años en el grupo de bajo riesgo según la puntuación BCT fue del 97,82 % y del 96,47 % en el grupo de prueba de cálculo del algoritmo y el grupo de prueba de validación del algoritmo, respectivamente. La supervivencia libre de metástasis a distancia dentro de 10 años en el grupo de alto riesgo fue del 61,07 % y 76,31 %, respectivamente (valores de p <0,001, prueba de rango logarítmico), lo que indica que hubo una diferencia estadísticamente significativa en la supervivencia libre de metástasis a distancia dentro de 10 años en ambos grupos de prueba.
<6-2> Verificación de la significación estadística para predecir el pronóstico de la puntuación BCT utilizando el modelo de riesgos proporcionales de Cox univariado y multivariado
Para verificar la significación estadística en la predicción de metástasis a distancia de la puntuación BCT, utilizamos el análisis de riesgos proporcionales de Cox para determinar si era más significativo que la información clínica y el modelo de evaluación del pronóstico basado en la información clínica.
Como resultado del análisis multivariado de riesgos proporcionales de Cox en el grupo de prueba de cálculo y el grupo de prueba de verificación del algoritmo, se confirmó que la puntuación BCT era un índice estadísticamente significativo (valores de p<0,05) en la predicción de metástasis a distancia en comparación con la información clínica general utilizada como índice de pronóstico.
De forma similar, la puntuación BCT es un indicador estadísticamente significativo en comparación con el modelo de pronóstico basado en la información clínica y puede confirmarse mediante un análisis multivariado de riesgos proporcionales de Cox (valores de p<0,05).
[Tabla 8]
Análisis multivariado de riesgos proporcionales de Cox de modelos de predicción de pronóstico de la información clínica
Grupo de prueba de cálculo del algoritmo Grupo de prueba de validación del algoritmo
HR IC delValor deHR IC delValor de95 %P95 %PPuntuación BCT 2,22 (1,08-4,58)0,0301,88 (1,10-3,21)0,022Edad en el momento de la 1,02 (0,98-107) 0,364 1,04 (0,98-1,10) 0,184 cirugía
Tamaño del tumor 1,50 (0,47-4,74) 0,494 0,79 (0,33-1,89) 0,597 N.° de metástasis de LiN 1,53 (0,77-3,04) 0,220 0.17 (0,02-1,42) 0,103 Grado histológico 1,36 (0,50-3,69) 0,543 1,51 (0,54-4,27) 0,435
Grupo de prueba de cálculo del algoritmo Grupo de prueba de validación del algoritmo
HR IC delValorHR IC delValor95 %de p95 %de pPuntuación BCT 2,54 (1,35-4,78)0,0042,02 (117-350)0,012Puntuación del NPI 1,76 (0,42-7,36) 0,437 1,43 (0,37-5,48) 0,600
PREDICT 1,05 (0,99-1,12) 0,090 0,98 (0,88-1,10) 0,763
SNAP 0,93 (0,74-1,18) 0,545 0,91 (0,71-1,16) 0,438
<6-3> Evaluación del rendimiento en la predicción del pronóstico de la puntuación BCT mediante el índice C El índice C tiene un valor de 0,5 a 1. Cuando el índice C se acerca al valor de 0,5, la posibilidad de predicción del pronóstico disminuye, y cuando se acerca a 1, la posibilidad de predicción del pronóstico aumenta. Para evaluar la posibilidad de predicción del pronóstico de la puntuación BCT, se realizó un modelo basado en la información clínica y una evaluación comparativa del índice C.
El índice c de la puntuación BCT y otros modelos basados en la información clínica se compararon en el mismo grupo de pacientes. Como resultado, la puntuación BCT mostró el valor del índice c más alto. Esto significa que la puntuación BCT tuvo un mayor rendimiento en la predicción del pronóstico que los otros modelos de predicción de pronóstico (figura 4).
Aplicabilidad industrial
La presente divulgación se refiere al método para predecir el pronóstico del cáncer de mama utilizando 2 grupos de genes que están significativamente relacionados con el pronóstico del cáncer de mama, y el método de la presente divulgación puede predecir con exactitud si existe metástasis, recurrencia o recurrencia de metástasis en pacientes con cáncer de mama en el futuro. En particular, el método de la presente divulgación puede predecir con exactitud el pronóstico del cáncer de mama tipo HER2 que tiene un pronóstico muy malo. Por lo tanto, puede utilizarse con el propósito de presentar información sobre la dirección del tratamiento del cáncer de mama en el futuro y está altamente disponible en la industria.
Claims (2)
1. Un método para predecir el pronóstico del cáncer de mama para proporcionar la información necesaria para predecir el pronóstico de un paciente con cáncer de mama, comprendiendo el método las etapas de:
(a) medir el nivel de expresión del ARNm de UBE2C (enzima conjugadora de ubiquitina E2C), TOP2A (topoisomerasa 2 alfa), RRM2 (ribonucleótido reductasa M2), FOXM1 (forkhead box M1), MKI67 (marcador de proliferación Ki-67) y BTN3A2 (miembro A2 de la subfamilia 3 de butirofilinas) de una muestra biológica obtenida del paciente con cáncer de mama, respectivamente;
(b) normalizar el nivel de expresión del ARNm medido en la etapa (a);
(c) evaluar el tamaño de un tumor y el estadio pN en el paciente con cáncer de mama;
(d) calcular un valor numérico al poner un valor normalizado obtenido en la etapa (b), y el tamaño del tumor y el estadio pN en la etapa (c) en las ecuaciones 1 y 2 siguientes
[Ecuación 1]
Puntuación BCT sin escalar (U — BS)
= a * ACt_UBE2C b * AC_TOP2A c * ACt_RRM2 d * ACt_FOXM1 e * ACt_MKI67 f * ACt_BTN3A2 g * Tamaño_del_tumor (cm) h * pN(0 o 1)
[Ecuación 2]
Puntuación BCT = 0 si 0,8*puntuación BCT sin escalar (U-BS)-13,71 < 0
Puntuación BCT = 0,8*U-BS-13,71 si 0 < 0,8*U-BS-13,71 < 10
Puntuación BCT = 10 si 0,8*U-BS-13,71 > 10
en el que el valor del gen utilizado para predecir la eficacia de la quimioterapia es un valor de expresión de ARNm normalizado calculado utilizando un gen estándar; el tamaño del tumor es un valor determinado como la longitud del eje largo del tumor y el pN es un valor determinado según el juicio patológico de una metástasis en los ganglios linfáticos,
en el que una a es de 0,16 a 1,09, b es de 0 a 0,71, c es de 0 a 0,53, d es de 0 a 0,57, e es de 0 a 0,35, f es de -1,02 a 0, g es 0,25 a 1,52 y h es de 0,19 a 2,25; y
(e) predecir que cuanto mayor sea el valor calculado en la etapa (d), peor será el pronóstico.
2. El método de la reivindicación 1, en el que se predice que el pronóstico del cáncer de mama será malo cuando el valor obtenido en la etapa (d) es 4 o mayor, y se predice que el pronóstico del cáncer de mama será bueno cuando el valor obtenido en la etapa (d) es menor que 4.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160158466A KR101896545B1 (ko) | 2016-11-25 | 2016-11-25 | 유방암 환자의 예후 예측 방법 |
| PCT/KR2017/013602 WO2018097678A1 (ko) | 2016-11-25 | 2017-11-27 | 유방암 환자의 예후 예측 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2962775T3 true ES2962775T3 (es) | 2024-03-21 |
Family
ID=62195317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES17874456T Active ES2962775T3 (es) | 2016-11-25 | 2017-11-27 | Método para predecir el pronóstico de pacientes con cáncer de mama |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US11220716B2 (es) |
| EP (1) | EP3524689B1 (es) |
| JP (1) | JP7228896B2 (es) |
| KR (1) | KR101896545B1 (es) |
| CN (2) | CN116356030A (es) |
| ES (1) | ES2962775T3 (es) |
| WO (1) | WO2018097678A1 (es) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101950717B1 (ko) * | 2016-11-23 | 2019-02-21 | 주식회사 젠큐릭스 | 유방암 환자의 화학치료 유용성 예측 방법 |
| EP3856933A1 (en) * | 2018-09-27 | 2021-08-04 | BioNTech Diagnostics GmbH | Predictive and prognostic methods in breast cancer |
| US12019674B2 (en) * | 2019-05-29 | 2024-06-25 | New York University | System and method for tumor characterization |
| CN110938698A (zh) * | 2019-12-27 | 2020-03-31 | 南京医科大学 | Sox9在预测三阴性乳腺癌对CDK7抑制剂THZ1敏感性中的应用 |
| EP3907301A1 (en) * | 2020-05-08 | 2021-11-10 | Istituto Europeo di Oncologia S.r.l. | Methods and kits for determining the risk of breast cancer recurrence |
| KR102422610B1 (ko) * | 2020-05-12 | 2022-07-18 | 서울대학교 산학협력단 | 초기 유방암 환자의 예후 예측 방법 |
| CN113355419B (zh) * | 2021-06-28 | 2022-02-18 | 广州中医药大学(广州中医药研究院) | 一种乳腺癌预后风险预测标志组合物及应用 |
| KR20230043290A (ko) | 2021-09-23 | 2023-03-31 | 사회복지법인 삼성생명공익재단 | 유방 재건술 예후를 예측하기 위한 정보의 제공 방법 및 시스템 |
| CN113981081A (zh) * | 2021-10-22 | 2022-01-28 | 中山大学 | 一种基于rna编辑水平的乳腺癌分子标志物及诊断模型 |
| CN113862363A (zh) * | 2021-10-27 | 2021-12-31 | 中山大学附属第一医院 | 免疫相关基因在乳腺癌预后的试剂盒和系统中的应用 |
| KR20230119541A (ko) | 2022-02-07 | 2023-08-16 | 사회복지법인 삼성생명공익재단 | 유방 재건술 예후를 예측하기 위한 정보의 제공 방법 및 시스템 |
| KR20230119540A (ko) | 2022-02-07 | 2023-08-16 | 사회복지법인 삼성생명공익재단 | 유방 재건술의 예후를 예측하기 위한 정보의 제공 방법 및 시스템 |
| KR20230119542A (ko) | 2022-02-07 | 2023-08-16 | 사회복지법인 삼성생명공익재단 | 유방 재건술 예후를 예측하기 위한 정보의 제공 방법 및 시스템 |
| KR20230120188A (ko) | 2022-02-07 | 2023-08-17 | 사회복지법인 삼성생명공익재단 | 유방 재건술 예후를 예측하기 위한 정보의 제공 방법 및 시스템 |
| CN117589991B (zh) * | 2024-01-18 | 2024-03-29 | 天津云检医学检验所有限公司 | 一种用于乳腺癌患者her2表达状态鉴定的生物标志物、模型、试剂盒及用途 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2338843B1 (es) * | 2008-07-02 | 2011-01-24 | Centro De Investigaciones Energeticas, Medioambientales Y Tecnologicas | Huella genomica de cancer de mama. |
| HUE030164T2 (en) * | 2010-03-31 | 2017-05-29 | Sividon Diagnostics Gmbh | A method of predicting breast cancer recurrence during endocrine treatment |
| KR101287600B1 (ko) * | 2011-01-04 | 2013-07-18 | 주식회사 젠큐릭스 | 초기유방암의 예후 예측용 유전자 및 이를 이용한 초기유방암의 예후예측 방법 |
| KR101672531B1 (ko) * | 2013-04-18 | 2016-11-17 | 주식회사 젠큐릭스 | 조기 유방암 예후 예측 진단용 유전자 마커 및 이의 용도 |
| US10655187B2 (en) * | 2013-04-18 | 2020-05-19 | Gencurix Inc. | Genetic marker for early breast cancer prognosis prediction and diagnosis, and use thereof |
| KR101748867B1 (ko) * | 2013-04-19 | 2017-06-20 | 주식회사 젠큐릭스 | 조기 유방암 예후 예측 진단용 자동화 시스템 |
-
2016
- 2016-11-25 KR KR1020160158466A patent/KR101896545B1/ko active IP Right Grant
-
2017
- 2017-11-27 CN CN202310354509.5A patent/CN116356030A/zh active Pending
- 2017-11-27 WO PCT/KR2017/013602 patent/WO2018097678A1/ko unknown
- 2017-11-27 EP EP17874456.1A patent/EP3524689B1/en active Active
- 2017-11-27 ES ES17874456T patent/ES2962775T3/es active Active
- 2017-11-27 CN CN201780073330.5A patent/CN110023513A/zh active Pending
- 2017-11-27 JP JP2019527493A patent/JP7228896B2/ja active Active
-
2018
- 2018-03-28 US US15/938,633 patent/US11220716B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| US20180216199A1 (en) | 2018-08-02 |
| EP3524689A4 (en) | 2020-05-27 |
| US11220716B2 (en) | 2022-01-11 |
| KR101896545B1 (ko) | 2018-09-07 |
| CN116356030A (zh) | 2023-06-30 |
| JP2020500515A (ja) | 2020-01-16 |
| CN110023513A (zh) | 2019-07-16 |
| EP3524689B1 (en) | 2023-09-06 |
| JP7228896B2 (ja) | 2023-02-27 |
| EP3524689C0 (en) | 2023-09-06 |
| WO2018097678A1 (ko) | 2018-05-31 |
| EP3524689A1 (en) | 2019-08-14 |
| KR20180059192A (ko) | 2018-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2962775T3 (es) | Método para predecir el pronóstico de pacientes con cáncer de mama | |
| ES2963390T3 (es) | Método para predecir la eficacia de la quimioterapia en pacientes con cáncer de mama | |
| Harbeck et al. | Molecular and protein markers for clinical decision making in breast cancer: today and tomorrow | |
| ES2384107T3 (es) | Indicadores moleculares de pronóstico de cáncer de mama y predicción de la respuesta al tratamiento | |
| ES2812105T3 (es) | Algoritmo y evaluación del perfil de expresión génica para determinar el pronóstico del cáncer de próstata | |
| CN107574243B (zh) | 分子标志物、内参基因及其应用、检测试剂盒以及检测模型的构建方法 | |
| CN105339797B (zh) | 早期乳腺癌的预后预测诊断用基因标记物及其用途 | |
| CN102971435A (zh) | 用于内分泌治疗下的乳腺癌复发预测的方法 | |
| US8911940B2 (en) | Methods of assessing a risk of cancer progression | |
| CN103958695A (zh) | 一种通过检测生物液体中miRNA来鉴定患早期肺癌的无症状高风险个体的方法 | |
| ES2829415T3 (es) | Algoritmo de perfil de expresión génica para calcular una puntuación de recurrencia para un paciente con cáncer de riñón | |
| TWI582240B (zh) | 以基因體預後評估試劑組預測乳癌患者局部區域復發風險及放射治療有效性的方法、用途及裝置 | |
| KR20170032892A (ko) | 난소암의 예후 예측용 유전자 선별방법 | |
| US11840733B2 (en) | Method for predicting prognosis of breast cancer patient | |
| JP6612509B2 (ja) | 大腸癌の予後診断を補助する方法、記録媒体および判定装置 | |
| KR20160086496A (ko) | 난소암의 예후 예측용 유전자 선별방법 | |
| CN118291620A (zh) | 乳腺癌复发相关mRNA组合物及其在制备复发性乳腺癌预后诊断产品中的应用 | |
| KR20210127519A (ko) | 진행성 유방암 환자의 예후 예측 방법 | |
| TW202242143A (zh) | 乳癌復發與轉移風險預估方法與套組 | |
| CN115216543A (zh) | 核酸探针或引子在制备用于评估乳癌复发与转移风险方法的试剂盒的应用 |