Filadelfia, 14 lutego 2023 r – Przewidywanie przebiegu raka prostaty jest trudne, ponieważ tylko u części pacjentów z rakiem prostaty dochodzi do nawrotu po radykalnej prostatektomii lub radioterapii. Jednak rak prostaty pozostaje jednym z najbardziej śmiertelnych nowotworów złośliwych u mężczyzn w Stanach Zjednoczonych. Teraz badacze opracowali model uczenia maszynowego, który łączy profile genów fuzyjnych, o których wiadomo, że są szeroko rozpowszechnione w raku prostaty z powszechnie stosowaną oceną Gleasona i poziomem antygenu specyficznego dla prostaty (PSA). Model uczenia maszynowego konsekwentnie poprawiał przewidywanie nawrotu raka prostaty za pomocą samych testów klinicznych lub ich kombinacji. Wyniki podano w Amerykański dziennik patologiiopublikowane przez Elsevier.

„Wynik Gleasona i poziom PSA były stosowane z różnym powodzeniem w przewidywaniu wyników klinicznych u pacjentów z rakiem prostaty” — wyjaśnił główny badacz Jian-Hua Luo, dr n. med., Department of Pathology, University of Pittsburgh School of Medicine, Pittsburgh, Pensylwania, USA. „Jednak zapewniają one ograniczony wgląd w mechanizm choroby. Wiadomo, że zdarzenia związane z fuzją genów są szeroko rozpowszechnione w raku prostaty, ale ich potencjał w przewidywaniu przebiegu choroby był nieznany”.

Przeanalizowano dane z wieloinstytucjonalnej kohorty, która obejmowała 271 próbek radykalnej prostatektomii z University of Pennsylvania Medical Center (UPMC), 191 z University of Wisconsin-Madison i 112 z Stanford Medical Center. Wszystkie 14 genów fuzyjnych, o których wiadomo, że są obecne w raku prostaty, wykryto w próbkach z połączonej kohorty. Dostępne były również wyniki Gleasona i PSA w surowicy.

Badacze najpierw opracowali model szkoleniowy, korzystając z danych UPMC. Do danych profilowania genów fuzyjnych zastosowano kilka algorytmów uczenia maszynowego, aby określić najlepsze parametry 14 kombinacji genów fuzyjnych do przewidywania nawrotu raka prostaty. Najlepsze algorytmy zostały następnie zastosowane do całej kohorty szkoleniowej w celu zbudowania modelu.

Przewidywanie nawrotu raka na podstawie samego wyniku Gleasona miało 77,9% dokładności, a sam PSA prawidłowo przewidywał 73,5% nawrotów raka prostaty. Kiedy dane punktacji Gleasona zostały włączone do analizy uczenia maszynowego z danymi fuzji, łącznie 442 modele różnych kombinacji wykazały dokładność powyżej 80% dla połączonych modeli. Kiedy sam PSA został połączony z danymi fuzji, 265 modeli różnych kombinacji wykazało wskaźniki przewidywania powyżej 75%. Połączenie danych fuzyjnych, wyniku Gleasona i PSA poprawiło przewidywanie raka prostaty; 317 modeli dało wskaźniki predykcji na poziomie 80% lub wyższym.

Następnie 764 modele uczenia maszynowego wytrenowane przy użyciu danych z kohorty UPMC zastosowano w kohorcie Stanford/Wisconsin, a następnie w kohorcie UPMC/Stanford/Wisconsin. Ponownie, połączenie danych fuzyjnych, wyniku Gleasona i PSA przewyższało przewidywanie nawrotu raka na podstawie samego PSA lub wyniku Gleasona lub łącznie. Rak nie miał nawrotu przez pięć lat po operacji u 81,9% pacjentów, jeśli rak był przewidywany jako nienawracający, podczas gdy tylko 17,2% pacjentów nie miało nawrotu, jeśli ich rak był przewidywany jako nawracający za pomocą tego samego modelu. W przypadku modelu Gleasona plus PSA u 78,3% pacjentów nie wystąpił nawrót raka, jeśli rak był przewidywany jako nienawracający w modelu, a 26,2% pacjentów nie miało nawrotu raka przez pięć lat, jeśli rak był przewidywany jako nawracający.

Dr Luo zauważa, że ​​profile fuzji genów mają wartość dodaną w leczeniu pacjentów klinicznych, ponieważ niektóre fuzje genów są ważnymi procesami molekularnymi w powstawaniu raka prostaty, podczas gdy inne powodują podatność raka na określone leki. „Jedną z największych niespodzianek w analizie jest to, że geny fuzyjne tzw CCNH-C5orf30 okazał się wskaźnikiem korzystnych wyników klinicznych. To niezwykłe, że nieprawidłowość genomowa stworzona przez komórki nowotworowe powstrzymuje agresywność raka” – powiedział.

„Wykrywanie genów fuzyjnych zapewnia nowy mechanistyczny wgląd w progresję raka prostaty, umożliwiając podjęcie proaktywnych działań” — zauważył dr Luo. „Włączenie wykrywania genów fuzyjnych do schematu diagnostyki raka prostaty przynosi korzyści pacjentom w zakresie diagnozy, rokowania, monitorowania progresji raka i leczenia. Co więcej, jeśli te modele uczenia maszynowego zostaną w przyszłości zastosowane w praktyce klinicznej, można uratować więcej istnień ludzkich”.