ES2963390T3 - Método para predecir la eficacia de la quimioterapia en pacientes con cáncer de mama - Google Patents
Método para predecir la eficacia de la quimioterapia en pacientes con cáncer de mama Download PDFInfo
- Publication number
- ES2963390T3 ES2963390T3 ES17874597T ES17874597T ES2963390T3 ES 2963390 T3 ES2963390 T3 ES 2963390T3 ES 17874597 T ES17874597 T ES 17874597T ES 17874597 T ES17874597 T ES 17874597T ES 2963390 T3 ES2963390 T3 ES 2963390T3
- Authority
- ES
- Spain
- Prior art keywords
- chemotherapy
- breast cancer
- patients
- genes
- gene
- 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
- 238000002512 chemotherapy Methods 0.000 title claims abstract description 172
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 135
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 55
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 162
- 230000014509 gene expression Effects 0.000 claims abstract description 101
- 239000012472 biological sample Substances 0.000 claims abstract description 12
- 206010028980 Neoplasm Diseases 0.000 claims description 63
- 101000807354 Homo sapiens Ubiquitin-conjugating enzyme E2 C Proteins 0.000 claims description 43
- 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
- 230000035755 proliferation Effects 0.000 claims description 40
- 108010047866 ribonucleotide reductase M2 Proteins 0.000 claims description 38
- 102100037256 Ubiquitin-conjugating enzyme E2 C Human genes 0.000 claims description 35
- 102100027155 Butyrophilin subfamily 3 member A2 Human genes 0.000 claims description 33
- 108020004999 messenger RNA Proteins 0.000 claims description 30
- 230000001575 pathological effect Effects 0.000 claims description 20
- 239000003550 marker Substances 0.000 claims description 14
- 101710183280 Topoisomerase Proteins 0.000 claims description 11
- 208000007433 Lymphatic Metastasis Diseases 0.000 claims description 7
- 108010017533 Butyrophilins Proteins 0.000 claims description 2
- 102000004555 Butyrophilins Human genes 0.000 claims description 2
- 101000984917 Homo sapiens Butyrophilin subfamily 3 member A2 Proteins 0.000 claims 1
- 238000004393 prognosis Methods 0.000 abstract description 53
- 238000011282 treatment Methods 0.000 abstract description 16
- 238000005259 measurement Methods 0.000 abstract description 6
- 238000010606 normalization Methods 0.000 abstract description 4
- 206010027476 Metastases Diseases 0.000 description 55
- 238000004422 calculation algorithm Methods 0.000 description 41
- 101710134230 Butyrophilin subfamily 3 member A2 Proteins 0.000 description 37
- 230000004083 survival effect Effects 0.000 description 33
- 230000009401 metastasis Effects 0.000 description 27
- 230000001394 metastastic effect Effects 0.000 description 27
- 206010061289 metastatic neoplasm Diseases 0.000 description 27
- 239000003795 chemical substances by application Substances 0.000 description 26
- 201000011510 cancer Diseases 0.000 description 22
- 239000000523 sample Substances 0.000 description 18
- 238000001356 surgical procedure Methods 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 17
- 210000000987 immune system Anatomy 0.000 description 16
- 238000012360 testing method Methods 0.000 description 15
- 102100021390 C-terminal-binding protein 1 Human genes 0.000 description 12
- 101710178052 C-terminal-binding protein 1 Proteins 0.000 description 12
- 230000000295 complement effect Effects 0.000 description 12
- 230000035945 sensitivity Effects 0.000 description 12
- 210000001519 tissue Anatomy 0.000 description 11
- 101000607626 Homo sapiens Ubiquilin-1 Proteins 0.000 description 10
- 102100039934 Ubiquilin-1 Human genes 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 210000001165 lymph node Anatomy 0.000 description 9
- 150000007523 nucleic acids Chemical class 0.000 description 9
- 238000010837 poor prognosis Methods 0.000 description 9
- 238000004364 calculation 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
- 230000028993 immune response Effects 0.000 description 7
- 239000002773 nucleotide Substances 0.000 description 7
- 238000010200 validation analysis Methods 0.000 description 7
- 102100039195 Cullin-1 Human genes 0.000 description 6
- 101000746063 Homo sapiens Cullin-1 Proteins 0.000 description 6
- 238000002493 microarray Methods 0.000 description 6
- 238000003752 polymerase chain reaction Methods 0.000 description 6
- 230000003321 amplification Effects 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000003199 nucleic acid amplification method Methods 0.000 description 5
- 230000001225 therapeutic effect Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 101001012157 Homo sapiens Receptor tyrosine-protein kinase erbB-2 Proteins 0.000 description 4
- 102100030086 Receptor tyrosine-protein kinase erbB-2 Human genes 0.000 description 4
- 101000962654 Vespa orientalis Mastoparan Proteins 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 4
- -1 c Tb P1 Proteins 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000009795 derivation 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
- 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
- 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
- 239000002671 adjuvant Substances 0.000 description 3
- 239000002246 antineoplastic agent Substances 0.000 description 3
- 229940041181 antineoplastic drug Drugs 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 210000000481 breast Anatomy 0.000 description 3
- 238000010804 cDNA synthesis Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 238000009396 hybridization Methods 0.000 description 3
- 230000003447 ipsilateral effect Effects 0.000 description 3
- VLKZOEOYAKHREP-UHFFFAOYSA-N n-Hexane Chemical compound CCCCCC VLKZOEOYAKHREP-UHFFFAOYSA-N 0.000 description 3
- 230000002018 overexpression Effects 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
- 238000007475 c-index Methods 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 108091008053 gene clusters Proteins 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 208000030776 invasive breast carcinoma Diseases 0.000 description 2
- 238000000491 multivariate analysis Methods 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
- 238000007473 univariate analysis 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
- 101100170173 Caenorhabditis elegans del-1 gene Proteins 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
- 206010061818 Disease progression Diseases 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
- 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
- 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
- 108010041388 Ribonucleotide Reductases Proteins 0.000 description 1
- 102000000505 Ribonucleotide Reductases Human genes 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
- 230000003388 anti-hormonal effect Effects 0.000 description 1
- 238000011319 anticancer therapy Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008827 biological function Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000004899 c-terminal region Anatomy 0.000 description 1
- 230000000973 chemotherapeutic effect Effects 0.000 description 1
- 238000013145 classification model Methods 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
- 238000012850 discrimination method Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 229940011871 estrogen Drugs 0.000 description 1
- 239000000262 estrogen Substances 0.000 description 1
- 238000010195 expression analysis Methods 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000009200 high fat diet Nutrition 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000001325 log-rank test Methods 0.000 description 1
- 208000026535 luminal A breast carcinoma Diseases 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010841 mRNA extraction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229940046166 oligodeoxynucleotide Drugs 0.000 description 1
- 238000011275 oncology therapy Methods 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
- 230000037452 priming Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 230000004044 response Effects 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
- 210000003491 skin Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000002626 targeted therapy Methods 0.000 description 1
- 238000002560 therapeutic procedure 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
- C12Q2600/106—Pharmacogenomics, i.e. genetic variability in individual responses to drugs and drug metabolism
-
- 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 la eficacia de la quimioterapia en pacientes con cáncer de mama y, más específicamente, a un método para medir un nivel de expresión de genes de predicción de pronóstico y genes de normalización del cáncer de mama en muestras biológicas obtenidas de pacientes con cáncer de mama, normalizando los resultados de las mediciones y clasificar a los pacientes en un grupo que se prevé que tendrá una eficacia alta y un grupo que se prevé que tendrá una eficacia baja de la quimioterapia. El método de la presente invención permite una predicción precisa de la eficacia de la quimioterapia para pacientes con cáncer de mama y puede usarse eficazmente con el fin de sugerir pistas hacia la dirección futura del tratamiento del cáncer de mama. (Traducción automática con Google Translate, sin valor legal)
Description
DESCRIPCIÓN
Método para predecir la eficacia de la quimioterapia en pacientes con cáncer de mama
Campo técnico
Esta solicitud reivindica prioridad de la Solicitud de Patente Coreana No. 10-2016-0156824, presentada el 23 de noviembre de 2016.
Se divulga un método para predecir la eficacia de la quimioterapia para un paciente con cáncer de mama, y más particularmente un método para predecir la eficacia de la quimioterapia para un paciente con cáncer de mama, método que comprende las etapas de: (a) medir el nivel de expresión de ARNm de al menos un gen relacionado con la proliferación seleccionado del grupo que consiste en UBE2C (enzima E2C conjugadora de ubiquitina), 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 las 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 de ARNm medido en el paso (a); y (c) predecir la eficacia de la quimioterapia en el paciente con cáncer de mama mediante una combinación de al menos un gen relacionado con la proliferación y el gen relacionado con el sistema inmunológico normalizado en la etapa (b), en donde se predice que la eficacia de la quimioterapia será alta cuando el gen relacionado con la proliferación está sobreexpresado y se predice que la eficacia de la quimioterapia será baja 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 2001 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 en 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), tumores de gran tamaño, 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, tales como quimioterapia, terapia antihormonal, terapia dirigida o radioterapia. De éstas, la quimioterapia es una de las terapias contra el cáncer. El estado patológico de una paciente con cáncer de mama varía de un paciente a otro dependiendo de la condición del cáncer, el tamaño del tumor, el estadio patológico del tumor u otros factores. Por lo tanto, debido a las diferentes condiciones patológicas y diferentes respuestas en un paciente con cáncer de mama, algunos pacientes pueden beneficiarse de la quimioterapia con medicamentos contra el cáncer, pero otros no. La administración continua de quimioterapia a pacientes en los que no es es muy efectiva puede aumentar los efectos secundarios y causar dolor no deseado al paciente.
El documento US 2016/102359 A1 describe un gen para predecir o diagnosticar el pronóstico de cáncer de mama en etapa temprana 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 1 del receptor beta de células T), BTN3A2 (miembro A2 de la subfamilia 3 de las butirofilinas) o HLA-DPA1 (complejo mayor de histocompatibilidad, clase II, DP alfa 1) para proporcionar 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 fin de proporcionar una dirección en cuanto al curso futuro del tratamiento del cáncer de mama, incluyendo la decisión sobre si es necesaria una terapia anticancerígena.
En este sentido, antes de la administración de un fármaco anticancerígeno a un paciente con cáncer de mama, se necesitan métodos para predecir con exactitud la eficacia de la quimioterapia en esos pacientes.
Descripción detallada
Problema técnico
En consecuencia, los presentes inventores han completado la presente invención después de haber descubierto que la eficacia de la quimioterapia se puede predecir en un paciente con cáncer de mama recopilando y analizando información clínica obtenida de tejidos de cáncer de mama para identificar conjuntos de genes relacionados con la predicción del pronóstico, mediante el desarrollo de un algoritmo que puede predecir el pronóstico de un paciente con cáncer de mama seleccionando y combinando genes y sus conjuntos adecuados para muestras FFPE entre los genes identificados, y distinguiendo pacientes según el algoritmo anterior como resultado de los extensos esfuerzos para desarrollar un algoritmo para predecir el pronóstico de un paciente con cáncer de mama utilizando muestras FFPE de tejidos que contienen células cancerosas de pacientes e información genética.
Se divulga un método para predecir la eficacia de la quimioterapia en un paciente con cáncer de mama, método que comprende las etapas de:
(a) Medir el nivel de expresión de ARNm de al menos un gen relacionado con la proliferación seleccionado del grupo que consiste en UBE2C (enzima E2C conjugadora de ubiquitina), 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 las 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 de ARNm medido en la etapa (a); y
(c) Predecir la eficacia de la quimioterapia en el paciente con cáncer de mama mediante una combinación de al menos un gen relacionado con la proliferación y el gen relacionado con el sistema inmunológico normalizado en la etapa (b), en donde se predice que la eficacia de la quimioterapia será alta cuando el gen relacionado con la proliferación está sobreexpresado y se predice que la eficacia de la quimioterapia será baja cuando el gen relacionado con el sistema inmunológico está sobreexpresado.
La invención está dirigida a un método para predecir la eficacia de la quimioterapia en un paciente con cáncer de mama, método que comprende las etapas de:
(a) Medir un nivel de expresión de ARNm de UBE2C (enzima E2C conjugadora de ubiquitina), TOP2A (topoisomerasa 2 alfa), RRM2 (ribonucleótido reductasa M2), FOXM1 (forkhead box M1), MKI67 (marcador de proliferación Ki-67) y un BTN3A2 (miembro A2 de la subfamilia 3 de las butirofilinas) de una muestra biológica obtenida del paciente con cáncer de mama, respectivamente;
(b) Normalizar el nivel de expresión de ARNm medido en la etapa (a); y
(c) Evaluar el tamaño de un tumor y el estadio pN en el paciente con cáncer de mama;
(d) Calcular un valor numérico poniendo un valor normalizado obtenido en la etapa (b), y el tamaño del tumor y el estadio pN en la etapa (c) en las siguientes Ecuaciones 1 y 2
[Ecuación 1]
Puntuación BCT sin escalar (U-BS) = a*ACt_UBE2C b*ACt_TOP2A c*ACt_RRM2 d*ACt_FOXM1 e*ACt-_MKI67 f*ACt_BTN3A2 g*Tamaño_tumor (cm) h*pN (0 ó 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 donde 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 pN es un valor determinado según el juicio patológico de una metástasis en los ganglios linfáticos,
En donde 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 de 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), mayor será la eficacia de la quimioterapia.
Se divulga una composición para predecir la eficacia de la quimioterapia en pacientes con cáncer de mama, composición que comprende un agente para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKl67 y BT<n>3<a>2, respectivamente.
Se divulga una composición para predecir la eficacia de la quimioterapia en pacientes con cáncer de mama, composición que consiste en un agente para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MK167 y BTn 3a 2, respectivamente.
Se divulga una composición para predecir la eficacia de la quimioterapia en pacientes con cáncer de mama, composición que esencialmente consiste en un agente para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y BTN3A2, respectivamente.
Se divulga un kit para predecir la eficacia de la quimioterapia en pacientes con cáncer de mama, kit que comprende un agente para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y bTn 3A2, respectivamente.
Se divulga el uso de un agente para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y BTN3A2 para preparar un agente para predecir la eficacia de la quimioterapia en pacientes con cáncer de mama. Solución técnica
Se divulga un método para predecir la eficacia de la quimioterapia en un paciente con cáncer de mama, método que comprende las etapas de:
(a) Medir el nivel de expresión de ARNm de al menos un gen relacionado con la proliferación seleccionado del grupo que consiste en UBE2C (enzima E2C conjugadora de ubiquitina), 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 las 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 de ARNm medido en la etapa (a); y
(c) Predecir la eficacia de la quimioterapia en el paciente con cáncer de mama mediante una combinación de al menos un gen relacionado con la proliferación y el gen relacionado con el sistema inmunológico normalizado en la etapa (b), en donde se predice que la eficacia de la quimioterapia será alta cuando el gen relacionado con la proliferación está sobreexpresado y se predice que la eficacia de la quimioterapia será baja cuando el gen relacionado con la inmunidad está sobreexpresado.
La invención está dirigida a un método para predecir la eficacia de la quimioterapia en un paciente con cáncer de mama, método que comprende las etapas de:
(a) Medir el nivel de expresión de ARNm de UBE2C (enzima E2C conjugadora de ubiquitina), TOP2A (topoisomerasa 2 alfa),<r>R<m>2 (ribonucleótido reductasa<m>2), FOXM1 (forkhead box M1), MKI67 (marcador de proliferación Ki-67) y un BTN3A2 (miembro A2 de la subfamilia 3 de las butirofilinas) de una muestra biológica obtenida del paciente con cáncer de mama, respectivamente;
(b) Normalizar el nivel de expresión de ARNm medido en la etapa (a); y
(c) Evaluar el tamaño de un tumor y el estadio pN en el paciente con cáncer de mama;
(d) Calcular un valor numérico poniendo un valor normalizado obtenido en la etapa (b), y el tamaño del tumor y el estadio pN en la etapa (c) en las siguientes Ecuaciones 1 y 2
[Ecuación 1]
Puntuación BCT sin escalar (U-BS) = a*ACt_UBE2C b*ACt_TOP2A c*ACt_RRM2 d*ACt_FOXM1 e*ACt-_MKI67 f*ACt_BTN3A2 g*Tamaño_tumor (cm) h*pN (0 ó 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 donde 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 pN es un valor determinado según el juicio patológico de una metástasis en los ganglios linfáticos, En donde 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 de 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), mayor será la eficacia de la quimioterapia. Se divulga una composición para predecir la eficacia de la quimioterapia en pacientes con cáncer de mama, composición que comprende un agente para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKl67 y BT<n>3<a>2, respectivamente.
Se divulga una composición para predecir la eficacia de la quimioterapia en pacientes con cáncer de mama, composición que consiste en un agente para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y BTN3A2, respectivamente.
Se divulga una composición para predecir la eficacia de la quimioterapia en pacientes con cáncer de mama, composición que esencialmente consiste en un agente para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y BTN3A2, respectivamente.
Se divulga un kit para predecir la eficacia de la quimioterapia en pacientes con cáncer de mama, kit que comprende un agente para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y<b>T<n>3A2, respectivamente.
Se divulga un uso de un agente para medir los niveles de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y BTN3A2 para preparar un agente para predecir la eficacia de la quimioterapia en pacientes con cáncer de mama.
De aquí en adelante, la presente divulgación se describirá en detalle.
La presente divulgación proporciona un método para predecir la eficacia de la quimioterapia en un paciente con cáncer de mama, método que comprende las etapas de:
(a) Medir el nivel de expresión de ARNm de al menos un gen relacionado con la proliferación seleccionado del grupo que consiste en UBE2C (enzima E2C conjugadora de ubiquitina), 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 las 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 de ARNm medido en la etapa (a); y
(c) Predecir la eficacia de la quimioterapia en el paciente con cáncer de mama mediante una combinación de al menos un gen relacionado con la proliferación y el gen relacionado con el sistema inmunológico normalizado en la etapa (b), en donde se predice que la eficacia de la quimioterapia será alta cuando el gen relacionado con la proliferación está sobreexpresado y se predice que la eficacia de la quimioterapia será baja cuando el gen relacionado con el sistema inmunológico está sobreexpresado.
La expresión "la eficacia de la quimioterapia" en la presente invención significa si se mostrará un efecto terapéutico eficaz cuando se lleve a cabo un tratamiento terapéutico de administración de un fármaco anticancerígeno, tal como una sustancia química, a un paciente con cáncer de mama. El "efecto terapéutico eficaz" mencionado anteriormente es un concepto que comprende recuperación completa del cáncer, recurrencia, metástasis o recurrencia metastásica, y lo más preferiblemente se refiere a recurrencia metastásica, pero no se limita a la misma.
La "recurrencia metastásica" en la presente invención es un concepto que comprende la recurrencia metastásica local que ocurre en el sitio del cáncer de mama antes del tratamiento y/o la mama ipsilateral y/o la mama contralateral, y la recurrencia metastásica distante que ocurre en áreas distantes tales como el pulmón, hígado, hueso, ganglios linfáticos, piel y cerebro. Preferiblemente, en la presente invención, la recurrencia metastásica puede ser, pero no se limita a, una recurrencia metastásica distante.
El término "metástasis" en la presente invención significa, después del tratamiento inicial, que las células cancerosas derivadas y modificadas de al menos un tumor de mama continúan creciendo hasta convertirse en cáncer en el sitio alejado del tumor (en lo sucesivo denominado "área distante"). El área 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 predictibilidad de la eficacia de la quimioterapia en pacientes con 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 predictibilidad de la eficacia de la quimioterapia en pacientes clasificados según el estadio TNM también es diferente incluso en el mismo estadio. Por tanto, la eficacia de la quimioterapia en el cáncer de mama del mismo estadio puede determinarse mediante la expresión del receptor de estrógenos 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 estrógenos, del receptor de progesterona o HER2, por lo que es necesario distinguirlo claramente y establecer el método de tratamiento específicamente.
Por tanto, recientemente, las características del cáncer de mama se clasificaron por genes y biología molecular (Tabla 1). Según el subtipo, el resultado y el pronóstico del tratamiento son diferentes, y se utiliza como índice para la selección del método quirúrgico o de la quimioterapia.
[Tabla 1]
El cáncer de mama en la presente invención es preferiblemente un cáncer de mama con receptor de estrógenos 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 etapas. El cáncer de mama utiliza el sistema de estadificación TNM y se requieren tres factores para determinar la estadificación TNM. Hay un estadio T determinado por el tamaño y el carácter del cáncer en sí, un estadio N determinado por el grado de afectación de los ganglios linfáticos y un estadio M determinado por si hay metástasis en otros sitios además de la mama. Las características patológicas en cada etapa se sumarizan en la Tabla 2 a continuación.
[Tabla 2]
En la presente invención, el cáncer de mama es preferiblemente un cáncer de mama en etapa temprana, más preferiblemente un cáncer de mama correspondiente al estadio pN0 o pN1, lo más preferiblemente un cáncer de mama clasificado como, pero no se limita a, estadio 0 ó 1 según el estadio TNM.
A continuación, se describe en detalle cada etapa del método para predecir la eficacia de la quimioterapia para un paciente con cáncer de mama.
(a) Obtener una muestra biológica del paciente con cáncer de mama; en la presente invención, la muestra biológica puede ser un tejido de cáncer de mama del paciente con cáncer de mama. El tejido con cáncer de mama también puede contener algunas células normales, preferiblemente es un tejido fijado con formalina e incrustado 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 en la muestra tomada en (a) el nivel de expresión de ARNm de al menos un gen relacionado con la proliferación seleccionado del grupo que consiste en UBE2C (enzima E2C conjugadora de ubiquitina), 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 las butirofilinas), un gen relacionado con el sistema inmunológico.
Los marcadores predictivos de la eficacia de la quimioterapia en pacientes con cáncer de mama en la presente invención pueden ser genes relacionados con la proliferación que consisten en UBE2C (enzima E2C conjugadora de ubiquitina), TOP2A (topoisomerasa 2 alfa), RR<m>2 (ribonucleótido reductasa M2), FOXM1 (forkhead box M1) y MKI67 (marcador de proliferación Ki-67) y un BTN3A2 (miembro A2 de la subfamilia 3 de las butirofilinas), un gen relacionado con el sistema inmunológico. Cada uno de ellos puede seleccionarse independientemente, pero pueden 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 invención, 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 invención 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 del tejido de la muestra y la síntesis de ADNc en el ARNm. Para aislar el ARNm, se puede utilizar un método conocido en la técnica de aislamiento de ARN en una muestra. Preferiblemente, la muestra es una muestra FFPE y, por tanto, puede ser un método para separar ARNm adecuado para una muestra FFPE. Como proceso de síntesis de ADNc, se puede utilizar un método de síntesis de ADNc conocido en la técnica que utiliza ARNm como plantilla. Preferiblemente, el nivel de expresión del marcador predictivo de la eficacia de la quimioterapia en el paciente con cáncer de mama de la presente invención 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 invención 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 colorante fluorescente reportero y/o o un colorante fluorescente extintor. La medición puede realizarse mediante un equipo disponible comercialmente, por ejemplo, un sistema tal como el Sequence Detection System™ ABIPRISM 7700™, Roche Molecular Biochemicals Lightcycler y el software adjunto. Dichos datos de medición pueden expresarse como un valor de medición o un ciclo umbral (Ct o Cp). El punto en el cual 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 plantilla 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 invención pueden ser diferentes en cantidades de expresión de genes generales o en 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 o niveles de expresión de genes que pueden indicar diferencias en las cantidades o niveles de expresión basales. Preferiblemente, calcula la proporción de la cantidad de expresión promedio de uno a tres genes (o el promedio de estas cantidades de expresión cuando se seleccionan una pluralidad de genes) en CTBP1 (proteína de unión C-terminal 1), CUL1 (culina 1) y UBQLN1 (ubiquilina-1).
(d) Predecir la eficacia de la quimioterapia en el paciente con cáncer de mama mediante una combinación de al menos un gen relacionado con la proliferación y el gen relacionado con el sistema inmunológico normalizado en la etapa (b), en donde se predice que la eficacia de la quimioterapia será alta cuando el gen relacionado con la proliferación está sobreexpresado y se predice que la eficacia de la quimioterapia será baja cuando el gen relacionado con el sistema inmunológico está sobreexpresado.
En la presente invención, la expresión "alta eficacia de la quimioterapia" significa que la probabilidad de metástasis, recurrencia o recurrencia metastásica del cáncer después de la quimioterapia es menor que cuando no se administra quimioterapia. En otras palabras, se puede decir que es preferible realizar la quimioterapia porque es más efectiva que el efecto secundario de la quimioterapia.
Por otra parte, la "baja eficacia de la quimioterapia" mencionada anteriormente significa que la probabilidad de metástasis, recurrencia o recurrencia metastásica después de recibir quimioterapia no cambia significativamente o incluso tiene un peor pronóstico en comparación con cuando no se administra quimioterapia. En otras palabras, se puede decir que es preferible no realizar la quimioterapia porque no se puede esperar el efecto de la quimioterapia y hay efectos secundarios.
Preferiblemente, la "alta eficacia de la quimioterapia" significa que la probabilidad de metástasis, recurrencia o recurrencia metastásica del cáncer es menor a lo largo de 10 años que cuando no se administra quimioterapia, y la "baja eficacia de la quimioterapia" significa que la probabilidad de metástasis, recurrencia o la recurrencia metastásica no cambia, o incluso aumenta más a lo largo de 10 años en comparación con cuando no se administra quimioterapia.
La expresión "10 años" se refiere a 10 años desde el momento en que se extirpa el cáncer mediante cirugía en pacientes con cáncer de mama primario (es decir, el punto de inicio de la cirugía).
En la presente invención, la sobreexpresión de los genes relacionados con la proliferación está estrechamente relacionada con el mal pronóstico en el paciente con cáncer de mama y la alta eficacia de la quimioterapia. 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 y la baja eficacia de la quimioterapia. Por lo tanto, la eficacia de la quimioterapia se puede predecir con mayor exactitud combinando el patrón de expresión de los genes relacionados con la proliferación y el gen relacionado con el sistema inmunológico.
Es decir, la combinación de genes de la presente invención 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 invención es preferiblemente un grupo de pacientes que no se han sometido a ninguna quimioterapia incluso antes y después de la cirugía, y se dice que es un grupo de pacientes que quiere decidir si recibir o no quimioterapia será beneficioso para el progreso de la enfermedad en el futuro.
En la presente invención, los pacientes con baja eficacia de la quimioterapia son aquellos que se predice que no tendrán un mal pronóstico de paciente con cáncer de mama (es decir, aquellos 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 metastásica a lo largo de 10 años. Sin embargo, los pacientes con alta efectividad de la quimioterapia son aquellos que se predice que tendrán un mal pronóstico de paciente con cáncer de mama (es decir, aquellos 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 metastásica a lo largo de 10 años. En otras palabras, se puede determinar que la progresión del cáncer de mama en el futuro sin quimioterapia será más ventajosa en los pacientes que se predice que no tendrán un mal pronóstico de cáncer de mama porque los efectos secundarios debidos a la quimioterapia son mayores que el efecto terapéutico. Sin embargo, se puede determinar que la progresión del cáncer de mama en el futuro con la quimioterapia será más ventajosa en los pacientes que se predice que tendrán un mal pronóstico de cáncer de mama porque el efecto terapéutico es mayor que los efectos secundarios debidos a la quimioterapia.
Además, la presente invención incluye además una etapa de evaluación del tamaño y el estadio pN del tumor después de la etapa (b). En la etapa (d), la presente invención proporciona un método para predecir la efectividad de la quimioterapia en el paciente con cáncer de mama, que se caracteriza porque si el tamaño del tumor es mayor y el estadio pN es mayor, se determina que la efectividad de la quimioterapia es alta.
En otras palabras, la eficacia de la quimioterapia se puede predecir con mayor exactitud combinando la expresión de los genes relacionados con la proliferación, la expresión de los genes relacionados con el sistema inmunológico, el tamaño del tumor y el estadio pN, y en el pasado no se ha informado de un método para predecir la eficacia de la quimioterapia en pacientes con cáncer de mama mediante dicha combinación.
En la presente invención, el tamaño del tumor se refiere a la longitud del eje mayor del cáncer, preferiblemente la longitud del eje mayor del cáncer medida por un patólogo. El tamaño del tumor se expresa en centímetros.
En la presente invención, el pN se refiere a un método para determinar la metástasis al ganglio linfático mediante una clasificación patológica entre los métodos de clasificación del 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 un paciente con cáncer de mama.
El pN es un método de discriminación basado en el grado de metástasis a los ganglios linfáticos. Los ganglios linfáticos axilares se someterán a resección 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 invención, el pN puede ser preferiblemente el pN0 o el pN1, pero no se limita a ellos. El pN0 se refiere a un estadio donde no se observa metástasis al ganglio linfático local. El pN1 refiere un estadio en el cual se encuentran micrometástasis en uno a tres ganglios linfáticos axilares ipsilaterales.
Por lo tanto, determinando el tamaño del tumor y el estadio pN como predictor de pronóstico o de la eficacia de la quimioterapia del paciente con cáncer de mama junto con los niveles de expresión de los genes medidos en la etapa (b) según el método anterior, se puede predecir con mayor exactitud el pronóstico del paciente con cáncer de mama y la eficacia de la quimioterapia.
La presente invención proporciona un método para predecir la eficacia de la quimioterapia en un paciente con cáncer de mama, método que comprende las etapas de:
(a) Obtener una muestra biológica del paciente con cáncer de mama;
(b) Medir el nivel de expresión de ARNm de UBE2C (enzima E2C conjugadora de ubiquitina), TOP2A (topoisomerasa 2 alfa), r Rm 2 (ribonucleótido reductasa m 2), FOXM1 (forkhead box M1), MKI67 (marcador de proliferación Ki-67) y un BTN3A2 (miembro A2 de la subfamilia 3 de las butirofilinas) de una muestra biológica obtenida del paciente con cáncer de mama, respectivamente;
(c) Normalizar el nivel de expresión de ARNm medido en la etapa (b); y
(d) Evaluar el tamaño del tumor y el estadio pN en el paciente con cáncer de mama;
(e) Calcular un valor numérico poniendo el valor normalizado obtenido en la etapa (c), el tamaño del tumor y el estadio pN en la etapa (d) en las siguientes Ecuaciones 1 y 2
[Ecuación 1]
Puntuación BCT sin escalar (U-BS) = a*ACt_UBE2C b*ACt_TOP2A c*ACt_RRM2 d*ACt_FOXM1 e*ACt_MKI67 f*ACt_BTN3A2 g*Tamaño_tumor (cm) h*pN (0 ó 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 donde 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 donde 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 de 0,25 a 1,52 y h es de 0,19 a 2,25; y
(f) Predecir que cuanto mayor sea el valor calculado en la etapa (e), mayor será la eficacia de la quimioterapia. Las etapas (a) a (d) son las mismas que se describieron anteriormente.
La puntuación de predicción del pronóstico se calcula mediante una 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 inmunológico tiene un coeficiente negativo. Cada coeficiente se aplica dentro de un intervalo de confianza del 95% del valor del coeficiente calculado (punto estimado) como resultado del análisis de supervivencia, y preferiblemente se utiliza el punto estimado de cada coeficiente.
Preferiblemente, el método para predecir la eficacia de la quimioterapia del paciente con cáncer de mama según la presente invención está relacionado con las dos características biológicas principales que gobiernan el resultado clínico del paciente con cáncer de mama, a saber, la respuesta inmunológica y la proliferación celular. Se examinaron genes que se expresaron de manera estable en muestras de tejido FFPE y que mostraron una expresión muy diferente según el pronóstico. Los coeficientes de los genes y dos de información clínica importante (el tamaño del tumor y el estadio pN) para el pronóstico se calcularon mediante análisis de Cox y la puntuación BCT se puede obtener multiplicando los valores de expresión de genes normalizados, el tamaño del tumor y el estadio pN según la siguiente Ecuación 1 para predecir la efectividad de la quimioterapia.
[Ecuación 1]
Puntuación BCT sin escalar (U-BS) = 0,63*ACt_UBE2C 0,32*ACt_TOP2A 0,13*ACt_RRM2 0,02*ACt-_FOXM1 0,04*ACt_MKI67 - 0,42*ACt_BTN3A2 0,89*Tamaño_tumor (cm) 1,22*pN (0 ó 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 a 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 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 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. Series B (Methodological) (1972): 187-220). Del coeficiente del gen se verificó la validez del resultado de la ecuación mediante validación cruzada.
En la ecuación anterior, el valor obtenido normalizando el nivel de expresión de cada gen se sustituye en cada ' ACt _gen de predicción de pronóstico'. La normalización se logra a través de diferencias en las cantidades de expresión o niveles de expresión de genes que pueden indicar diferencias en las cantidades o niveles de expresión basales. Preferiblemente, calcula la proporción de la cantidad de expresión promedio de uno a tres genes (o el promedio de estas cantidades de expresión cuando se seleccionan una pluralidad de genes) en CTBP1 (proteína 1 de unión C-terminal), CUL1 (culina 1) y UBQLN1 (ubiquilina-1).
Específicamente, el valor de "ACt_ gen de predicción de pronóstico" es un valor obtenido sumando 30 después de restar el valor de expresión de cada gen de pronóstico del valor de expresión promedio de los genes estándar, que incluyen CTBP1 (proteína 1 de unión a C-terminal), CUL1 (culina 1) y UBQLN1 (ubiquilina-1). Este valor se convierte en un valor normalizado de cada gen de predicción de pronóstico. Es decir, el valor normalizado de cada gen de predicción de pronóstico se calcula mediante la siguiente ecuación:
[△ Ct_ gen de predicción de pronóstico = ((Ct_CTBP1 Ct_CUL1 Ct_UBQLN1)/3) - Ct_gen de predicción de pronóstico 30]
(El "gen de predicción de pronóstico" mencionado anteriormente se refiere a uno cualquiera entre UBE 2 C (enzima E2C conjugadora de ubiquitina), 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 las butirofilinas).
El "Ct" se refiere al número de ciclos cuando se amplifica una determinada cantidad de 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 generalmente 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 un blanco de la muestra del producto de amplificación 0. El valor de fluorescencia obtenido calculando la desviación estándar SD de la misma y multiplicado por 10 se determina como el valor umbral, y el número de ciclos de PCR que primero exceden el umbral se considera como el valor Ct (umbral de ciclo). Por lo tanto, cuando el producto de amplificación es grande, el valor Ct pasa a ser un valor pequeño, y cuando el producto de amplificación es pequeño, el valor Ct pasa a ser un valor grande.
En la presente invención, los valores de expresión de los respectivos genes de pronóstico se normalizan usando genes estándar, y los valores Ct promedio de tres genes estándar se usan para minimizar los errores técnicos que pueden ocurrir en el ensayo.
En la presente invención, para expresar el valor calculado de la [Ecuación 1] como un valor numérico intuitivo, el valor calculado se convierte en 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 (e), mayor será la eficacia de la quimioterapia: Según un ejemplo de la presente invención, en el método de estimación de la eficacia de la quimioterapia para el paciente con cáncer de mama según la presente invención, se calculó y se maximizó el punto en el cual la suma de la sensibilidad y la especificidad como parámetros para evaluar la exactitud de la clasificación del grupo de riesgo. Como resultado, se determinó que cuando el valor numérico calculado según la Ecuación 1 anterior excedía 22,1, la efectividad de la quimioterapia fue alta (alto riesgo de metástasis), y cuando el valor es 22,1 o menos, la efectividad de la quimioterapia fue baja (bajo riesgo de metástasis).
Mientras tanto, en el caso de la Ecuación 2 (puntuación BCT) obtenida por transformación lineal de la Ecuación 1 (puntuación BCT sin escalar), se determinó que, si el valor es 4 o mayor, la efectividad de la quimioterapia fue alta (grupo de alto riesgo metastásico) y si el valor fue menor que 4, la eficacia de la quimioterapia es baja (bajo riesgo de metástasis).
En la presente invención, la "sensibilidad" se refiere al porcentaje de pacientes de alto riesgo en los resultados de los ensayos de pacientes que han tenido metástasis a lo largo de 10 años, y la "especificidad" se refiere al porcentaje de pacientes de bajo riesgo en los resultados de los ensayos de pacientes que no han tenido metástasis durante 10 años.
Según una realización de la presente invención, los inventores analizaron, utilizando el modelo de riesgos proporcionales de Cox, determinar la significancia estadística de la puntuación BCT y los genes y la información clínica utilizados en la puntuación BCT (es decir, tamaño del cáncer y estadio pN). Como resultado, se confirmó que la puntuación BCT según la presente invención es más significativa que la información clínica utilizada como índice de pronóstico general y los modelos de evaluación de pronóstico tales como NPI Score, PREDCIT 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 información clínica del mismo grupo de pacientes. Como resultado, la puntuación BCT mostró el valor de índice c más alto y se confirmó que mostró una mayor predicción del pronóstico del cáncer de mama que otros modelos.
Por tanto, el algoritmo de la presente invención se puede utilizar para detectar pacientes que no necesitan quimioterapia adicional después de la cirugía primaria de cáncer de mama. El grupo sujeto del presente algoritmo de la presente invención es preferiblemente un grupo de pacientes que no se han 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 metastásica a lo largo de 10 años (baja eficacia de la quimioterapia), pero los pacientes con "mal pronóstico" tienen más probabilidades de desarrollar metástasis, recurrencia o recurrencia metastásica a lo largo de 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 invención se obtuvo analizando 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 la de otros modelos, tales como el modelo convencional de evaluación de pronósticos basado en información clínica, y la predicción de la eficacia de la quimioterapia también es muy precisa.
Se divulga una composición para predecir la eficacia de la quimioterapia en un paciente con cáncer de mama, composición que comprende agentes para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y BTN3A2, respectivamente.
Se divulga una composición para predecir la eficacia de la quimioterapia en un paciente con cáncer de mama, composición que consiste en agentes para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y BT<n>3<a>2, respectivamente.
Se divulga una composición para predecir la eficacia de la quimioterapia en un paciente con cáncer de mama, composición que esencialmente consiste 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, c Tb P1, CUL1 y UBQLN1.
Como se usa en el presente documento, 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 (plantilla), es decir, la presencia de polimerasas tales como un nucleótido y una ADN polimerasa, y temperatura y pH adecuados. Preferiblemente, el cebador es un desoxirribonucleótido y una sola hebra. Los cebadores usados en la presente invención pueden comprender dNMPs 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 hibrida con un ácido nucleico diana y forma una secuencia complementaria al ácido nucleico diana mediante una polimerasa de ácido nucleico dependiente de plantilla. Se extiende hasta una posición donde se hibrida la sonda de inmovilización y ocupa el área donde se hibrida.
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 la sonda es suficientemente complementario para hibridar selectivamente con la secuencia de ácido nucleico diana bajo ciertas condiciones de hibridación, y es sustancialmente complementario y perfectamente complementario, y preferiblemente significa completamente complementario. Como se usa en el presente documento, la expresión "secuencia sustancialmente complementaria" usada en relación con una secuencia cebadora pretende incluir no sólo una secuencia completamente coincidente sino también una secuencia parcialmente inconsistente con la secuencia que se va a comparar dentro de un rango que puede hibridarse 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 una serie de factores, tales como la temperatura, la aplicación y la fuente del cebador, pero normalmente es de 15 a 30 nucleótidos. Las moléculas de cebador cortas generalmente requieren temperaturas más bajas para formar un complejo híbrido suficientemente estable con la plantilla. El término "hibridación" o "cebado" significa que el oligodesoxinucleótido o hexano tiene oposición al ácido nucleico plantilla, y la oposición permite que la polimerasa polimerice los nucleótidos para formar moléculas de ácido nucleico complementarias en el ácido nucleico plantilla o una porción del mismo.
No es necesario que la secuencia del cebador tenga una secuencia completamente complementaria a una secuencia parcial de la plantilla, y es suficiente si el cebador tiene suficiente complementariedad dentro de un rango que hibride con la plantilla y puede realizar la acción específica del cebador. Por lo tanto, no es necesario que el cebador de la presente invención tenga una secuencia perfectamente complementaria a la secuencia de nucleótidos como plantilla, y es suficiente si el cebador tiene suficiente complementariedad dentro de un rango capaz de hibridarse con la secuencia del gen y actuar como cebador. Los expertos en la técnica pueden llevar a cabo fácilmente el diseño de dicho cebador con referencia a la secuencia de nucleótidos descrita anteriormente utilizando, por ejemplo, un programa para el diseño de cebadores (p. ej., el programa PRIMER 3).
Preferiblemente, el par de cebadores en la presente invención se caracteriza por estar compuesto por la secuencia mostrada en SEQ ID NO: 1 a SEQ ID NO: 18. Los cebadores y secuencias de sonda de los genes seleccionados para medir el nivel de expresión de los genes en la presente invención se muestran en la Tabla 3 a continuación.
[Tabla 3]
La presente invención proporciona un kit para predecir la eficacia de la quimioterapia en un paciente con cáncer de mama, kit que comprende agentes para medir el nivel de expresión de los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67 y BTN3A2, respectivamente.
La presente invención también proporciona un kit, en donde 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 capaces de amplificar mediante PCR los genes UBE2C, TOP2A, RRM2, FOXM1, MKI67, BTN3A2, CTBP1, CULI y UBQLN1. El kit de la presente invención puede comprender además un tubo, una placa de pocilios que se utilizará 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 la eficacia de la quimioterapia en pacientes con cáncer de mama.
La presente divulgación también proporciona el uso de agentes, en donde los agentes para medir el nivel de expresión comprenden además agentes para medir el nivel de expresión de los genes CTBP1, CULI y UBQLN1, respectivamente.
Los "agentes para medir el nivel de expresión de los genes" de la presente divulgación son los mismos que se describieron anteriormente, los "genes para preparar agentes para predecir la eficacia de la quimioterapia" son los mismos que se describen anteriormente, y son uno o más seleccionados del grupo que consiste en UBE2C, TOP2A, RRM2, FOXM1, MKI67, BTN3A2, CTBP1, CULI y UBQLN1.
La expresión "que comprende(n)" de la presente invención se usa como sinónimo de "que contiene(n)" o "caracterizado" y no excluye elementos componentes adicionales o etapas del método no mencionadas en la composición o método. La expresión "que consiste(n) en" significa excluir elementos, etapas o componentes adicionales no mencionados de otro modo. La expresión "que consiste(n) esencialmente en" se refiere a comprender un elemento o etapa componente que se describe en el rango de una composición o un método y que no afecta sustancialmente su carácter básico.
Efecto ventajoso
Se divulga un grupo de genes que muestra una correlación significativa con el pronóstico del cáncer de mama y un método para predecir la eficacia de la quimioterapia en un paciente con cáncer de mama utilizando información clínica. Por lo tanto, el método de la presente invención puede predecir con exactitud la eficacia de la quimioterapia para el paciente con cáncer de mama y puede usarse con el fin de presentar pistas sobre la dirección del tratamiento del cáncer de mama en el futuro.
Breve descripción de los dibujos
La FIG. 1 muestra la distribución de puntuaciones BCT sin escalar en el grupo de ensayo algorítmico.
La FIG. 2 muestra la distribución de la puntuación BCT en el grupo de ensayo de cálculo del algoritmo y el grupo de ensayo de verificación.
La FIG. 3 es un gráfico que muestra la supervivencia libre de metástasis a distancia en 10 años en el grupo de alto riesgo (un grupo que tiene una alta eficacia de la quimioterapia) y el grupo de bajo riesgo (un grupo que tiene una baja eficacia de la quimioterapia) clasificados según la puntuación BCT.
La FIG. 4 es un gráfico que muestra los resultados de la evaluación del rendimiento de predicción de los modelos de predicción de pronóstico de cáncer de mama mediante el índice C.
Las FIGs. 5A, 5B y 5C son gráficos que muestran el resultado del cálculo de la probabilidad de supervivencia libre de metástasis a distancia (FIG. 5A), la probabilidad de supervivencia libre de enfermedad (FIG. 5B) y la probabilidad de supervivencia global (FIG. 5C) durante 10 años en pacientes que fueron tratados con o sin quimioterapia, después de clasificar a los pacientes en grupo de bajo riesgo y grupo de alto riesgo mediante un algoritmo según la presente invención.
La FIG. 5A es un gráfico que muestra el resultado del cálculo de la probabilidad de supervivencia libre de metástasis a distancia durante 10 años en pacientes que fueron tratados con o sin quimioterapia, después de clasificar a los pacientes en grupo de bajo riesgo y grupo de alto riesgo mediante un algoritmo según la presente invención.
La FIG. 5B es un gráfico que muestra el resultado del cálculo de la probabilidad de supervivencia libre de enfermedad durante 10 años en pacientes que fueron tratados con o sin quimioterapia, después de clasificar a los pacientes en grupo de bajo riesgo y grupo de alto riesgo mediante un algoritmo según la presente invención.
La FIG. 5C es un gráfico que muestra el resultado del cálculo de la probabilidad de supervivencia global durante 10 años en pacientes que fueron tratados con o sin quimioterapia, después de clasificar a los pacientes en grupo de bajo riesgo y grupo de alto riesgo mediante un algoritmo según la presente invención.
La FIG. 6 es un gráfico que muestra el resultado de confirmar la diferencia de la probabilidad de supervivencia libre de metástasis a distancia en 10 años en los pacientes clasificados como de bajo riesgo en base a la información clínica entre los pacientes clasificados en el grupo de bajo riesgo a través de un algoritmo según la presente invención.
Modo de realizar la divulgación
De aquí en adelante, la presente divulgación se describirá en detalle.
Sin embargo, los siguientes ejemplos son ilustrativos de la presente divulgación, y la presente invención no se limita a los siguientes ejemplos.
Ejemplo 1
Colección de perfiles de expresión de tejidos de cáncer de mama temprano
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 genética y mutaciones, tal como una micromatriz. Los datos de este sitio se pueden volver a analizar libremente y el proceso de derivación de este gen de pronóstico también utilizó datos de este sitio.
Los datos de la micromatriz utilizados en este estudio se limitaron a datos que utilizan un chip para micromatrices llamado 'Affymetrix Human Genome U133A Array'.
Hay aproximadamente 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 mediante el análisis del chip.
En el sitio GEO del NCBI, los presentes inventores examinaron conjuntos de datos de micromatrices de pacientes con ganglios linfáticos negativos y que no fueron tratados con quimioterapia después de la cirugía. Como resultado, se obtuvieron 684 datos de especímenes de los siguientes tres conjuntos de datos. La información sobre el conjunto de datos de muestras se muestra en las Tablas 4 y 5 a continuación.
[Tabla 4]
Conjuntos de datos de muestras
GEO No. Año de Número de Diagnóstico de los Período de observación registro GEO especímenes especímenes (Fecha) retrospectiva (Año) GSE2034 2005 286 1980-1995 7,17
GSE7390 2006 198 1980-1998 12,01
GSE11121 2008 200 1988-1998 7,54
[Tabla 5]
Información patológica de muestras clínicas
Características Conjunto de datos de descubrimiento
GSE2034 GSE7390 GSE11121
Total 286 (100%) 198 (100%) 200 (100%)
36 (13%) 42 (21,2%) 10 (5%)
41-55 129 (45%) 129 (65,2%) 64 (32%)
56-70 89 (31%) 27 (13,6%) 83 (42%)
>70 32 (11%) 43 (22%)
Información patológica de muestras clínicas
Características Conjunto de datos de descubrimiento
GSE2034 GSE7390 GSE11121
No disponible
Estado 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%)
Etapa T
T1 146 (51%) 107 (54%) 112 (56,0%)
T2 132 (46%) 91 (46,0%) 85 (42,5%)
T3 8 (3%) 3 (1,5%)
No disponible
Etapa N
N- 286 (100%) 190 (100%) 200 (100%)
N+
No disponible
Ejemplo 2
Según la distribución de la supervivencia libre de metástasis a distancia (DMFS), los pacientes sin recurrencia metastásica a distancia durante más de 10 años se clasificaron como "grupo de buen pronóstico" y aquellos con recurrencia metastásica a distancia dentro de los 5 años se clasificaron como "grupo de mal pronóstico". Como resultado de clasificar los grupos de muestras 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 2,2 años en el grupo de mal pronóstico.
Ejemplo 3
Selección de gen para predecir el pronóstico
Se examinaron los genes cuyos niveles de expresión diferían entre los grupos de pronóstico mediante el análisis SAM (análisis significativo de micromatriz) en 212 muestras con buen pronóstico y 159 muestras con mal pronóstico.
Utilizando los valores q de los resultados del análisis SAM se seleccionaron genes sobreexpresados en un grupo de buen pronóstico y genes sobreexpresados en un grupo de mal pronóstico. Los genes seleccionados se combinaron 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 genética (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 inmune. Se seleccionaron genes con el nivel de expresión más alto entre grupos de pronóstico en los genes que pertenecían a dos componentes principales involucrados en la proliferación y la respuesta inmune. Para cada conjunto de genes, el gen que representaba el patrón de expresión de proliferación se denominó gen p y gen i el que representaba el patrón de expresión de la respuesta inmune. En el grupo de genes clasificado como gen p o gen i, se seleccionaron genes que cumplían las siguientes condiciones como genes candidatos para el modelo de diagnóstico de pronóstico genético:
(i) Alta relevancia para la inmunidad o la respuesta inmune.
(ii) Gran diferencia en la expresión entre especímenes.
(iii) Valor de expresión alto en promedio.
(iv) Alta correlación de expresión entre FFPE y especímenes congelados 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 inmune (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
Se obtuvieron 174 muestras de un paciente con cáncer de mama que no fue tratado con quimioterapia en el Hospital Samsung y el Hospital Asan, y se usaron para implementar el algoritmo y se utilizaron 227 muestras para la verificación del algoritmo.
La información clínica de las muestras del paciente obtenidas se muestra en la Tabla 6 a continuación.
[Tabla 6]
Información clínica del espécimen clínico de los hospitales Samsung y Asan
Grupo de ensayo para el cálculo Grupo de ensayo para la validación del
del algoritmo algoritmo
No. de pacientes % No. de pacientes %
Muestras 174 100,00% 227 100,00%
Edad
(años)
<50 66 37,93% 109 48,02%
108 62,07% 113 49,78%
NA 0 0,00% 5 2,20%
pN
Información clínica del espécimen clínico de los hospitales Samsung y Asan
Grupo de ensayo para el cálculo Grupo de ensayo para la validación del del algoritmo algoritmo
No. de pacientes % No. de pacientes %
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%
I IB 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 para utilizar en la predicción del pronóstico
Los ARN de 16 genes previamente seleccionados se extrajeron de especímenes FFPE y se realizó 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 ocurrencia de un suceso (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 suceso, 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 menor que 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 consistentes con la dirección de otros estudios y el pronóstico se seleccionaron como genes para utilizar 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 inmunológica (BTN3A2). Se seleccionaron tres genes estándar adicionales (CTBP1, CULI y UBQLN1) adecuados para 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 para utilizar en el algoritmo
Utilizando el modelo univariante de riesgos proporcionales de Cox se identificaron los factores clínicos importantes asociados con la recurrencia metastásica en un paciente con cáncer de mama que no fue tratado 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, el estadio patológico, el tamaño del tumor y la puntuación NPI eran factores significativos para la metástasis a distancia.
[Tabla 7]
Información clínica significativa para metástasis a distancia a través del modelo univariante de riesgos proporcionales de Cox
Todos Quimioterapia Sin quimioterapia
HR IC del 95% Valo HR IC del 95% Valo HR IC del 95% Valo r p r p r p
0 1,00 1,000 1,000
0
pN13,73 2,41 5,7610,002,602 1,62 4,1680,0014,83 4,819 45,650,00
2 80402 00
1 1,00 1,000 1,000
0
1,88
pT<2 1,21 2,928 0,00 1,302 0,80 2,102 0,28 4,668 1,568 13,90 0,00>
8 7 5 6 1 0 63 1,99 0,61 6,471 0,24 1,360 0,41 4,441 0,61 - - - -9 7 8 6 1
IA 1,00 1,000 1,000
0
IIA 2,47 1,47 4,136 1,592 0,90 2,810 0,10 5,750 1,663 19,88 0,00 Estadio patológic 3 9 2 8 0 6
IIB 4,69 2,59 8,514 2,780 1,44 5,357 0,00 19,51 4,639 82,07
o0,00
6 0 0 2 2 2 0 0III 5,93 1,39 25,170,013,738 0,86 16,09 0,07 - - - -A 4 9 068 1 7
1 1,00 1,000 1,000
Grado 0
histológic<2>1,98 1,02 3,8180,041,771 0,83 3,778 0,14 1,607 0,416 6,214 0,49
2 910 0 o<2>3 2,79 1,36 5,711 0,00 2,061 0,91 4,660 0,08 3,983 0,804 19,73 0,095 852 2 9 1Tamaño- 1,27 1,12 1,4410,001,131 0,96 1,321 0,11 4,579 2,275 9,2170,00 del1 109 90 tumor
1 1,00 1,000 1,000
0
2 2,89 1,67 4,9860,001,828 0 99 3,355 0,05 7,652 2,240 26,14 0,00
NPI 4 906 1 0 1
3 4,25 2,41 7 500,002,650 1,43 4,893 0,00 12,23 2,236 66 93 0,00 7 5 706 2 3 0 4
4 - - -
Puntuaci - 1,93 1,54 2,4110,001,604 1,24 2,066 0,00 4,281 2,076 8,829 0,00 ón NPI 0 606 0 0 Estadio 1 1,00 1,000 1,000
patológic 0
o
2 2,96 1,53 4,7770,001,868 1,09 3,174 0,02 7,809 2,552 23,900,00
3 709 1 003 5,92 1,39 25,11 0,01 3,729 0,86 16,05 0,07 - - - -0 6 2 6 6 7 7
Estadio - 2,80 1,83 4,2750,001,885 1,16 3,0510,017,809 2,552 23,90 0,00 patológic 2 606 500 0 o
Grado - 1,61 1,16 2,2360,001,360 0,94 1,949 0,09 1,996 0,852 4,673 0,11 histológic 3 449 4 2 1 o
Entre estos, el tamaño del tumor fue un factor importante en la recurrencia metastásica 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 metastásica a distancia más significativo en pacientes que no recibieron quimioterapia que en pacientes que sí la recibieron.
El estadio patológico también es un factor significativo, pero es un concepto que incluye el tamaño del tumor y el pN. Debido a que la puntuación 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, se seleccionaron el tamaño del tumor y la información de pN para obtener información clínica en un modelo de predicción de pronóstico para pacientes que no fueron tratados 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 de la puntuación BCT sin escalar]
Puntuación BCT sin escalar (U-BS) = 0,63*ACt_UBE2C 0,32*ACt_TOP2A 0,13*ACt_RRM2 0,02*ACt_FOXM1 0,04*ACt_MKI67 - 0,42*ACt_BTN3A2 0,89*Tamaño_tumor (cm) 1,22*pN (0 ó 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 FIG. 1.
El punto de corte de la puntuación BCT clasifica a los pacientes como de bajo riesgo o alto riesgo de desarrollar recurrencia metastásica a distancia a lo largo 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 invención, la sensibilidad y la especificidad se definen como sigue.
* Sensibilidad: El porcentaje de pacientes de alto riesgo que tuvieron una recurrencia metastásica a distancia a lo largo de 10 años.
* Especificidad: El porcentaje de pacientes de bajo riesgo que no tuvieron recurrencia metastásica a distancia a lo largo 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 invención, el punto de clasificación de la puntuación BCT se calcula calculando el punto de corte de la clasificación del grupo de riesgo de modo que se maximice la suma de la sensibilidad y la especificidad considerando tanto la sensibilidad como la especificidad.
Como se muestra en la FIG. 2, el punto en donde 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 la siguiente.
[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 reemplaza 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 metastásica a lo largo de 10 años.
La puntuación BCT se calculó según la ecuación anterior y se confirmó la distribución. Los resultados se muestran en la FIG. 2. Como se muestra en la FIG. 2, 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 metastásica y si es menos que 4 se puede clasificar como grupo de bajo riesgo.
Ejemplo 6
Evaluación del desempeño del pronóstico de predicción
<6-1> Evaluación del desempeño a través del grupo de ensayo para el cálculo del algoritmo y el grupo de ensayo de verificación
El grupo de alto riesgo clasificado según la ecuación del Ejemplo 5 significa que la recurrencia, metástasis o recurrencia metastásica puede ocurrir con mayor probabilidad que en el grupo de bajo riesgo. La FIG. 3 muestra los resultados de la estimación de la probabilidad de recurrencia de metástasis a distancia mediante el análisis de supervivencia del grupo de ensayo para el cálculo del algoritmo (conjunto de descubrimiento) y el grupo de ensayo de validación del algoritmo (conjunto de validación).
Como se muestra en la FIG. 3, la supervivencia libre de metástasis a distancia a lo largo de 10 años en el grupo de bajo riesgo basado en la puntuación BCT fue 97,82% y 96,47% en el grupo de ensayo para el cálculo del algoritmo y el grupo de ensayo de validación del algoritmo, respectivamente. La supervivencia libre de metástasis a distancia a lo largo de 10 años en el grupo de alto riesgo fue 61,07% y 76,31%, respectivamente (valores de p <0,001, ensayo de rango logarítmico), lo que indica que hubo una diferencia estadísticamente significativa en la supervivencia libre de metástasis a distancia a lo largo de 10 años en ambos grupos de ensayo.
<6-2> Verificación de la significancia estadística para predecir el pronóstico de la puntuación BCT utilizando el modelo de riesgos proporcionales de Cox univariante y multivariante
Para verificar la significancia estadística para la predicción de metástasis a distancia de la puntuación BCT, se utilizó el análisis de riesgos proporcionales de Cox para determinar si era más significativa que la información clínica y el modelo de evaluación de pronóstico basado en información clínica.
Como resultado del análisis multivariante de riesgos proporcionales de Cox en el grupo de ensayo para el cálculo del algoritmo y el grupo de ensayo de verificación del algoritmo, se confirmó que la puntuación BCT es 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 manera similar, la puntuación BCT es un indicador estadísticamente significativo en comparación con el modelo de pronóstico basado en información clínica y puede confirmarse mediante un análisis multivariante de riesgos proporcionales de Cox (valores de p <0,05).
[Tabla 8]
Análisis multivariante de riesgos proporcionales de Cox de información clínica y modelos de predicción de pronóstico
Grupo de ensayo para el cálculo Grupo de ensayo de validación del algoritmo del algoritmo
HR I.C. de 95% Valor p HR I.C. del 95% Valor p Puntuación BCT 2,22 (1,08-4,58)0,0301,88 (1,10-3,21)0,022Edad en el momento de la 1,02 (0,98-1,07) 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 No. de metástasis LN 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 Puntuación BCT 2,54 (1,35-4,78)0,0042,02 (1,17-3,50)0,012Puntuación del NPI 1,76 (0,42-7,36) 0,437 1,43 (0,37-5,48) 0,600
PREDICCIÓN 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 desempeño predictivo del pronóstico de la puntuación BCT usando el índice C
El índice C tiene un valor de 0,5 a 1. Cuando el índice C está más cerca del valor de 0,5, la posibilidad de pronóstico predictiva disminuye, y cuando está más cerca de 1, la posibilidad de pronóstico predictiva aumenta. Para evaluar la posibilidad de pronóstico predictiva de la puntuación BCT, se realizó un modelo basado en información clínica y una evaluación comparativa del índice C.
El índice C de la puntuación BCT y otros modelos basados en información clínica se compararon en el mismo grupo de pacientes. Como resultado, la puntuación BCT mostró el valor de índice C más alto. Esto significa que la puntuación BCT tuvo un mayor desempeño de pronóstico predictivo que los otros modelos de predicción de pronóstico (Fig. 4). Ejemplo 7
Predicción de la eficacia de la quimioterapia
El algoritmo establecido en los Ejemplos 1 a 6 anteriores se usó para confirmar si se puede predecir o no la eficacia de la quimioterapia en un paciente con cáncer de mama.
En este ejemplo se utilizaron los 346 pacientes que se sometieron a cirugía en el Hospital Asan. Los especímenes que recibieron quimioterapia y los que no la recibieron en el Ejemplo 4 se analizaron mediante el algoritmo según la presente invención. Se clasificaron en grupos de alto y bajo riesgo y se comparó la supervivencia libre de metástasis a distancia a lo largo de 10 años según los pacientes tratados con o sin quimioterapia.
La información clínica específica de los pacientes se muestra en la Tabla 9, y el resultado de la probabilidad de supervivencia libre de metástasis a distancia se muestra en la FIG. 5.
[Tabla 9]
Número total de pacientes (346) Número de pacientes %
Edad (años)
<50 209 60,4%
> 50 137 39,6%
Tamaño del cáncer (cm)
<2 231 66,8%
2~5 113 32,7%
>5 2 0,6%
Estadio AJCC (7a ed.)
231 66,8%
115 33,2%
Grado histológico
1 46 13,3%
2 243 70,2%
3 57 16,5%
Puntuación NPI
1 204 59,0%
2 118 34,1%
3 24 6,9%
Quimioterapia secundaria
Sin quimioterapia 203 58,7%
Con quimioterapia 143 41,3%
Como se muestra en la FIG. 5, en el grupo de bajo riesgo clasificado según el algoritmo de la presente invención, el grupo de pacientes sin quimioterapia tenía una probabilidad del 96,0%, mientras que los pacientes tratados con quimioterapia tenían una probabilidad del 96,4%. Así, los pacientes que recibieron quimioterapia tuvieron un aumento del 0,4% en la supervivencia libre de metástasis a distancia. Se puede concluir que la quimioterapia no aporta ningún beneficio a los pacientes de bajo riesgo. Por otro lado, en el grupo de alto riesgo clasificado según el algoritmo de la presente invención, la supervivencia libre de metástasis a distancia de los pacientes tratados con quimioterapia tuvo una probabilidad del 91,9%, mientras que el grupo de pacientes sin quimioterapia tuvo una probabilidad del 65,4%. Así, se pudo confirmar que fue estadísticamente significativo tener mejor pronóstico en los pacientes que recibieron quimioterapia. Además, según el tratamiento o no tratamiento con quimioterapia, se confirmó que no hubo diferencias significativas en la probabilidad de supervivencia en el grupo de bajo riesgo, pero el efecto significativo de la quimioterapia se demostró en el grupo de alto riesgo en la probabilidad de supervivencia libre de enfermedad y en la probabilidad de supervivencia general.
Los resultados del análisis univariante y multivariante basados en el modelo de riesgos proporcionales de Cox para factores que podrían afectar la supervivencia libre de metástasis a distancia en pacientes con cada grupo de riesgo distinguido según el algoritmo de la presente invención se muestran en la Tabla 10. El tratamiento quimioterapéutico no tuvo ningún efecto sobre la supervivencia libre de metástasis a distancia en el grupo de bajo riesgo, y se encontró que el tratamiento o no tratamiento con quimioterapia en el grupo de alto riesgo era un factor que afectaba a la supervivencia libre de metástasis a distancia de los pacientes.
[Tabla 10]
Análisis univariante Análisis multivariante
HR I.C. del Valor p HR I.C. del 95% Valor p Grupo de alto riesgo (n=80)
Edad de la cirugía 1,08 1,01 1,15 0,020 1,05 0,07 0,97 0,138 Tamaño del cáncer (<_2 cm vs. a >2 cm) 0,55 0,16 1,88 0,342 - - - -Grado histológico (Grado 1/2 vs. Grado 3) 0,67 0,18 2,54 0,557 - - - -
ER (IHC) 1,14 0,76 1,71 0,514 - - - -
PR (IHC) 1,04 0,81 1,34 0,760 - - - -
Quimioterapia (HTx vs. HTx+cTx) 0,18 0,05 0,64 0,007 0,26 0,07 0,97 0,045
Grupo de bajo riesgo (n=266)
Edad de la cirugía 0,97 0,90 1,05 0,506 - - - -Tamaño del cáncer (<_2 cm vs. a >2 cm) 0,52 0,06 4,23 0,542 - - - -Grado histológico (Grado 1/2 vs. Grado 3) Inf 0,998 - - - -
RE (IHQ) 0,99 0,60 1,62 0,969 - - - -
PR (IHC) 0,84 0,66 1,07 0,158 - - - -
Quimioterapia (HTx versus HTx+cTx) 1,11 0,26 4,66 0,889 - - - -
Ejemplo 8
Comparación de la predictibilidad de la eficacia de la quimioterapia
No hay ningún beneficio de la quimioterapia en el grupo de bajo riesgo de la presente invención. Se confirmó más claramente cuando se comparó con un Modified Adjuvant! Online, un modelo de clasificación de grupos de riesgo basado en información clínica. El modelo Modified Adjuvant! Online predice el grado de riesgo del paciente basándose en la información clínica del paciente y clasifica a los pacientes en grupos de alto o bajo riesgo. Según el algoritmo de la presente invención, se comparó si el modelo Modified Adjuvant! Online, un modelo basado en la información clínica de los pacientes entre un total de 266 pacientes clasificados como pacientes de bajo riesgo, mostró diferentes supervivencias libres de metástasis a distancia de los pacientes a lo largo de 10 años.
Como se muestra en la FIG. 6, la diferencia en la probabilidad de supervivencia libre de metástasis a distancia de los pacientes a lo largo de 10 años según la quimioterapia en pacientes clasificados como grupo de bajo riesgo basándose en información clínica entre los pacientes clasificados como grupo de bajo riesgo mediante el algoritmo según la presente invención fue 0,3%. Se confirmó que los pacientes sin eficacia de la quimioterapia no tuvieron cambios estadísticamente significativos por la quimioterapia en la supervivencia libre de metástasis a distancia. De manera similar, la diferencia en la supervivencia libre de metástasis a distancia de los pacientes a lo largo de 10 años en pacientes clasificados como grupo de alto riesgo según la información clínica entre pacientes clasificados como grupo de bajo riesgo mediante el algoritmo según la presente invención fue 2,3%. Se confirmó que no hubo cambios estadísticamente significativos por la quimioterapia en la supervivencia libre de metástasis a distancia.
Por lo tanto, en el caso de pacientes específicos determinados como un grupo de bajo riesgo según el algoritmo de la presente invención como pacientes diagnosticados con cáncer de mama, se puede predecir que no habrá un aumento significativo en la supervivencia libre de metástasis a distancia mediante quimioterapia. En el caso de pacientes específicos determinados como grupo de alto riesgo, se predice que el tratamiento con quimioterapia tendrá un mejor pronóstico debido a la alta supervivencia libre de metástasis a distancia en los 10 años posteriores a la cirugía.
Aplicabilidad industrial
Se divulga un grupo de genes que muestra una correlación significativa con el pronóstico de cáncer de mama y un método para predecir la eficacia de la quimioterapia en un paciente con cáncer de mama utilizando información clínica. El método de la presente invención puede predecir con exactitud la eficacia de la quimioterapia para el paciente con cáncer de mama. Por lo tanto, puede utilizarse con el fin 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 la eficacia de la quimioterapia en un paciente con cáncer de mama, método que comprende las etapas de:
(a) medir el nivel de expresión de ARNm de UBE2C (enzima E2C conjugadora de ubiquitina), TOP2A (topoisomerasa 2 alfa), r Rm 2 (ribonucleótido reductasa m 2), FOXM1 (forkhead box M1), MKI67 (marcador de proliferación Ki-67) y un BTN3A2 (miembro A2 de la subfamilia 3 de las butirofilinas) de una muestra biológica obtenida del paciente con cáncer de mama, respectivamente;
(b) normalizar el nivel de expresión de ARNm medido en la etapa (a);
(c) evaluar el tamaño del tumor y el estadio pN en el paciente con cáncer de mama;
(d) calcular un valor numérico poniendo el valor normalizado obtenido en la etapa (b), y el tamaño del tumor y el estadio pN en la etapa (c) en las siguientes Ecuaciones 1 y 2
[Ecuación 1]
Puntuación BCT sin escalar (U-BS) = a*ACt_UBE2C b*ACt_TOP2A c*ACt_RRM2 d*ACt_FOXM1 e*ACt_MKI67 f*ACt_BTN3A2 g*Tamaño_tumor (cm) h*pN (0 ó 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 donde el valor del gen usado para predecir la efectividad de la quimioterapia es un valor de expresión de ARNm normalizado calculado usando 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 criterio patológico de una metástasis en los ganglios linfáticos,
en donde 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 de 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), mayor será la eficacia de la quimioterapia.
2. El método según la reivindicación 1, en donde se predice que la efectividad de la quimioterapia será alta cuando el valor obtenido en la etapa (d) es 4 o mayor, y se predice que la efectividad de la quimioterapia será baja cuando el valor obtenido en la etapa (d) es menor que 4.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020160156824A KR101950717B1 (ko) | 2016-11-23 | 2016-11-23 | 유방암 환자의 화학치료 유용성 예측 방법 |
PCT/KR2017/013404 WO2018097614A2 (ko) | 2016-11-23 | 2017-11-23 | 유방암 환자의 화학치료 유용성 예측 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2963390T3 true ES2963390T3 (es) | 2024-03-26 |
Family
ID=62196020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES17874597T Active ES2963390T3 (es) | 2016-11-23 | 2017-11-23 | Método para predecir la eficacia de la quimioterapia en pacientes con cáncer de mama |
Country Status (7)
Country | Link |
---|---|
US (1) | US10718030B2 (es) |
EP (1) | EP3524690B1 (es) |
JP (2) | JP2019535286A (es) |
KR (1) | KR101950717B1 (es) |
CN (2) | CN116377075A (es) |
ES (1) | ES2963390T3 (es) |
WO (1) | WO2018097614A2 (es) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101950717B1 (ko) * | 2016-11-23 | 2019-02-21 | 주식회사 젠큐릭스 | 유방암 환자의 화학치료 유용성 예측 방법 |
KR102221206B1 (ko) * | 2019-03-08 | 2021-03-02 | 서울대학교산학협력단 | 유방암 샘플에서 질량분석법 의한 her2 정량 방법 및 이를 이용한 her2 상태 스코어링 |
EP3936870B1 (en) * | 2019-03-08 | 2024-04-24 | Seoul National University R&DB Foundation | Method for quantitation of her2 in breast cancer sample by mass spectrometry and scoring of her2 state by using same |
CN111118146B (zh) * | 2020-02-10 | 2020-08-25 | 山东大学齐鲁医院(青岛) | LncRNA在乳腺癌化疗相关心肌损伤患者诊断中的应用 |
KR102490338B1 (ko) * | 2020-03-24 | 2023-01-19 | (의료)길의료재단 | 질병의 치료 및 예방을 위한 신약 타겟 유전자 예측 방법 |
KR102422610B1 (ko) * | 2020-05-12 | 2022-07-18 | 서울대학교 산학협력단 | 초기 유방암 환자의 예후 예측 방법 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003078662A1 (en) * | 2002-03-13 | 2003-09-25 | Genomic Health | Gene expression profiling in biopsied tumor tissues |
WO2007038792A2 (en) * | 2005-09-28 | 2007-04-05 | H. Lee Moffitt Cancer Center | Individualized cancer treatments |
WO2007070621A2 (en) * | 2005-12-13 | 2007-06-21 | Children's Medical Center Corporation | Prognosis indicators for solid human tumors |
EP2066805B1 (en) * | 2006-09-27 | 2016-07-27 | Sividon Diagnostics GmbH | Methods for breast cancer prognosis |
ES2338843B1 (es) * | 2008-07-02 | 2011-01-24 | Centro De Investigaciones Energeticas, Medioambientales Y Tecnologicas | Huella genomica de cancer de mama. |
KR101421326B1 (ko) * | 2010-03-30 | 2014-07-21 | 서울대학교산학협력단 | 유방암 예후 예측을 위한 조성물 및 이를 포함하는 키트 |
BR112012024718A2 (pt) * | 2010-03-31 | 2017-01-10 | Sividon Diagnostics Gmbh | método para a predição da recorrência de câncer da mama sob tratamento endócrino |
KR101287600B1 (ko) | 2011-01-04 | 2013-07-18 | 주식회사 젠큐릭스 | 초기유방암의 예후 예측용 유전자 및 이를 이용한 초기유방암의 예후예측 방법 |
CA2854665A1 (en) * | 2011-11-10 | 2013-05-16 | The United States Of America, As Represented By The Secretary, Department Of Health And Human Services | Gene expression signatures of neoplasm responsiveness to therapy |
CN104704128A (zh) * | 2012-05-22 | 2015-06-10 | 纳米线科技公司 | 预测乳腺癌结果的nano46基因和方法 |
KR101725985B1 (ko) * | 2013-01-28 | 2017-04-13 | 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 |
KR101748867B1 (ko) | 2013-04-19 | 2017-06-20 | 주식회사 젠큐릭스 | 조기 유방암 예후 예측 진단용 자동화 시스템 |
KR101632628B1 (ko) * | 2014-03-31 | 2016-06-23 | 제이더블유중외제약 주식회사 | 유방암 재발 또는 전이 억제용 제제의 스크리닝 방법 |
US10174382B2 (en) * | 2015-05-13 | 2019-01-08 | University Of Notre Dame | Breast cancer prognostication and screening kits and methods of using same |
KR101950717B1 (ko) * | 2016-11-23 | 2019-02-21 | 주식회사 젠큐릭스 | 유방암 환자의 화학치료 유용성 예측 방법 |
KR101896545B1 (ko) * | 2016-11-25 | 2018-09-07 | 주식회사 젠큐릭스 | 유방암 환자의 예후 예측 방법 |
-
2016
- 2016-11-23 KR KR1020160156824A patent/KR101950717B1/ko active IP Right Grant
-
2017
- 2017-11-23 EP EP17874597.2A patent/EP3524690B1/en active Active
- 2017-11-23 WO PCT/KR2017/013404 patent/WO2018097614A2/ko unknown
- 2017-11-23 ES ES17874597T patent/ES2963390T3/es active Active
- 2017-11-23 JP JP2019527430A patent/JP2019535286A/ja active Pending
- 2017-11-23 CN CN202310347279.XA patent/CN116377075A/zh active Pending
- 2017-11-23 CN CN201780072701.8A patent/CN110023512A/zh active Pending
-
2018
- 2018-03-28 US US15/938,331 patent/US10718030B2/en active Active
-
2022
- 2022-07-01 JP JP2022106805A patent/JP7430415B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2019535286A (ja) | 2019-12-12 |
JP7430415B2 (ja) | 2024-02-13 |
WO2018097614A3 (ko) | 2018-08-09 |
KR20180058118A (ko) | 2018-05-31 |
WO2018097614A2 (ko) | 2018-05-31 |
EP3524690A2 (en) | 2019-08-14 |
EP3524690B1 (en) | 2023-08-30 |
JP2022141708A (ja) | 2022-09-29 |
KR101950717B1 (ko) | 2019-02-21 |
US10718030B2 (en) | 2020-07-21 |
EP3524690A4 (en) | 2020-06-17 |
EP3524690C0 (en) | 2023-08-30 |
US20180216198A1 (en) | 2018-08-02 |
CN116377075A (zh) | 2023-07-04 |
CN110023512A (zh) | 2019-07-16 |
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 | |
ES2812105T3 (es) | Algoritmo y evaluación del perfil de expresión génica para determinar el pronóstico del cáncer de próstata | |
ES2384107T3 (es) | Indicadores moleculares de pronóstico de cáncer de mama y predicción de la respuesta al tratamiento | |
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 | |
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 | |
US20150322533A1 (en) | Prognosis of breast cancer patients by monitoring the expression of two genes | |
KR20170032892A (ko) | 난소암의 예후 예측용 유전자 선별방법 | |
US11840733B2 (en) | Method for predicting prognosis of breast cancer patient | |
KR20220131083A (ko) | 갑상선암 진단을 위한 microRNA 바이오마커 및 이의 용도 | |
KR20160086496A (ko) | 난소암의 예후 예측용 유전자 선별방법 | |
KR102280516B1 (ko) | 자궁경부암 환자의 항암방사선 치료 예후 예측용 바이오마커 조성물 | |
KR20210127519A (ko) | 진행성 유방암 환자의 예후 예측 방법 | |
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 | |
Riaz et al. | Molecular-Based Testing in Breast Disease for Therapeutic Decisions | |
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 | |
JP2014221065A (ja) | 2つの遺伝子の発現の観察による乳癌患者の予後診断 |