Zastosowano algorytm hierarchicznego grupowania w celu identyfikacji sygnatur ekspresji genów w dobrych zestawach genów dobrej prognozy i złego rokowania, zgodnie ze wzorami ekspresji genów wśród wszystkich próbek w zbiorze treningowym. Dziesięć klastrów skoordynowanych genów zostało zaobserwowanych w zestawie genów dobrej prognozy lub w zestawie złych prognoz prognostycznych (ryc. 1C). Uśredniliśmy poziomy ekspresji genów składowych w każdej sygnaturze, tworząc w ten sposób średnią dla każdego pacjenta. Aby stworzyć wielowymiarowy model przeżycia, wygenerowaliśmy różne kombinacje średnich wartości ekspresji genu 10 i oceniliśmy je pod kątem ich zdolności do przewidywania przeżycia w obrębie zestawu treningowego. Wśród modeli składających się z dwóch sygnatur zauważyliśmy wyjątkowo silną synergię statystyczną między jednym sygnaturą z grupy dobrej prognozy i jedną z grupy złego rokowania. Te sygnatury nazwano odpowiedzią immunologiczną i odpowiedzią immunologiczną 2 na podstawie funkcji biologicznej pewnych genów w obrębie każdej sygnatury (jak omówiono poniżej). Chociaż te sygnatury nie były najlepszymi predykatorami indywidualnego przetrwania, model binarny uformowany z nimi był bardziej przewidywalny dla przetrwania niż jakikolwiek inny model binarny. Obie te sygnatury w obu przypadkach były wysoce predykcyjne dla przeżycia w zbiorze treningowym (P <0,001). Dlatego zdecydowaliśmy się oprzeć nasz model na tych dwóch sygnaturach i przetestować, czy jakiekolwiek inne sygnatury dodane do statystycznej istotności modelu, stosując procedurę wstępną.22 Z pozostałych ośmiu podpisów tylko jeden przyczynił się znacząco do modelu w zestaw treningowy (P <0,01), w wyniku czego uzyskano trójzmienny model przeżycia.
Tabela 2. Tabela 2. Predykcyjna moc sygnatur ekspresji genów w chłoniaku grudkowym. Model ten był związany z przeżyciem w wysoce statystycznie istotny sposób zarówno w zestawie treningowym (P <0,001), jak i zestawie testowym (P = 0,003). Jednak tylko sygnatury ekspresji genów odpowiedzi immunologicznej i odpowiedzi 2 na układ odpornościowy przyczyniły się do mocy predykcyjnej modelu w obu zestawach (tabela 2), a zatem pozostała sygnatura została usunięta z modelu. Model z dwoma sygnaturami był istotnie związany z przeżyciem wśród pacjentów, których próbki włączono do zestawu treningowego (P <0,001) oraz tych, których próbki włączono do zestawu testowego (P <0,001), potwierdzając w ten sposób odtwarzalność modelu. Dla każdego pacjenta model wygenerował wynik przewidywania przeżycia, który wynosił od -0,20 do 4,56 (SD, 0,94) w zestawie testowym. Każde zwiększenie wyniku oceny predykcji przeżycia było związane ze wzrostem względnego ryzyka zgonu o czynnik 2,27 (95% przedział ufności, 1,51 do 3,39) w zestawie testowym.
Ryc. 2. Ryc. 2. Rozwój molekularnego predyktora przeżycia w chłoniaku grudkowym. Panel A pokazuje całkowity czas przeżycia wśród pacjentów z próbkami biopsyjnymi w zestawie testowym, zgodnie z kwartylem wskaźnika prognostycznego przeżycia (SPS). Panel B pokazuje całkowite przeżycie według międzynarodowej grupy ryzyka prognostycznego (IPI) dla wszystkich pacjentów, dla których dane te były dostępne. Panel C pokazuje całkowity czas przeżycia wśród pacjentów z próbkami w zestawie testowym dla wskazanej grupy ryzyka IPI, stratyfikowanej zgodnie z kwartylem SPS.
Aby zwizualizować moc predykcyjną modelu, umieściliśmy pacjentów w rankingu według ich prognostycznych predykcji przeżycia i podzieliliśmy je na cztery równe kwartyle
[hasła pokrewne: fasolka po bretońsku kalorie, olx świdnik, endoproteza stawu biodrowego cena ]
[przypisy: długotrwały kaszel, dna moczanowa przyczyny, olx świdnik ]
Comments are closed.
Kiedyś mojej siostrze laryngolog zalecił laser i sollux na zatoki
[..] odnosnik do informacji w naukowej publikacji odnosnie: dentysta wola warszawa[…]
Poziom Ca we krwi nie ma związku z osteoporozą