ROC曲線+生存曲線如何發(fā)6+分？

今天和大家分享的是2020年5月發(fā)表在Cancers（IF：6.162)上的一篇文章我抠，“Proteomic Tissue-Based Classifier for Early Prediction of ProstateCancerProgression”葫笼，作者對338例接受根治性前列腺癌切除術(shù)患者的FFPE樣本進(jìn)行了蛋白組學(xué)的分析旭从，通過ROC曲線纸俭、logistic回歸篩選蛋白標(biāo)志物慎恒，與臨床病理變量進(jìn)行組合構(gòu)建了可以預(yù)測遠(yuǎn)端轉(zhuǎn)移及生化復(fù)發(fā)的蛋白分類器模型，AUC值達(dá)到0.92赎瞎。

Proteomic Tissue-Based Classifier for Early Prediction of ProstateCancerProgression

基于蛋白組學(xué)的組織分類器對前列腺癌進(jìn)展進(jìn)行早期預(yù)測

https://space.bilibili.com/400148106

一牌里、研究背景

????????前列腺癌（PCa）是男性中最常見的癌癥，盡管篩查中約40％的PCa是惰性的务甥，但晚期PCa的5年生存率僅為29％牡辽。PCa具有復(fù)雜的疾病譜，從臨床惰性到具有高度異質(zhì)性的侵襲性亞型敞临，因而臨床上需要根據(jù)生物標(biāo)志物和影像學(xué)檢查來考慮疾病是否可能進(jìn)展态辛，當(dāng)前的標(biāo)準(zhǔn)化治療（SOC）中基于血清PSA的前列腺癌篩查會導(dǎo)致較高的假陽性、活檢并發(fā)癥和過度診斷挺尿，最終導(dǎo)致過度治療奏黑。作者希望以蛋白組學(xué)研究來鑒定用于早期檢測侵襲性PCa的蛋白標(biāo)志物，以提高現(xiàn)有預(yù)后模型對患者進(jìn)行風(fēng)險分層的能力编矾。

二熟史、分析流程

三、結(jié)果解讀

1.候選標(biāo)志物的篩選

首先根據(jù)以下8個標(biāo)準(zhǔn)從現(xiàn)有PCa基因組數(shù)據(jù)集和PCa驅(qū)動基因集選出151個候選基因：

與正常對照相比窄俏，前列腺癌中表達(dá)差異顯著以故；

受雄激素調(diào)節(jié)；

與前列腺癌預(yù)后有關(guān)裆操；

與ETS家族轉(zhuǎn)錄因子有關(guān)怒详；

通常在前列腺癌中重排；

參與前列腺癌細(xì)胞侵襲踪区；

與多種惡性腫瘤有關(guān)昆烁；

可用于區(qū)分前列腺上皮和基質(zhì)細(xì)胞。

對151個基因進(jìn)行差異表達(dá)分析：使用NanoString技術(shù)定量PCa樣本中的mRNA缎岗，進(jìn)行PCa臨床結(jié)果的差異mRNA分析静尼。基于表達(dá)差異的顯著性以及在福爾馬林固定石蠟包埋（FFPE）樣本中檢測蛋白質(zhì)水平的可行性传泊，選擇其中的52個候選標(biāo)志物進(jìn)行蛋白組學(xué)分析鼠渺。

2.構(gòu)建PRISM-SRM方法及靶向蛋白組學(xué)測量

PRISM-SRM：具有智能選擇和多路復(fù)用功能的高壓，高分辨率分離與多重反應(yīng)監(jiān)測技術(shù)眷细。

作者使用一種“智能”分級選擇策略與LC-SRM聯(lián)用拦盹，進(jìn)行FFPE樣本中目標(biāo)蛋白的定量分析，實現(xiàn)更高的樣品上樣量溪椎、高效的肽富集以及樣品復(fù)雜性的顯著降低普舆，從而提供了適合在寬濃度范圍內(nèi)檢測候選蛋白標(biāo)志物的高靈敏度分析法。

與檢測21種蛋白的常規(guī)LC-SRM相比校读，PRISM-SRM方法可檢測42種蛋白沼侣。

PCa樣本：研究隊列是來自Walter Reed National Military Medical Center (WRNMMC)前列腺癌生物標(biāo)本庫的338例在WRNMMC接受根治性前列腺癌切除術(shù)（RP）的PCa患者的FFPE組織。

PCa進(jìn)展：以RP手術(shù)后的臨床信息將患者分為生化復(fù)發(fā)（BCR）歉秫、遠(yuǎn)端轉(zhuǎn)移（DM）和非事件（nonevents）三組蛾洛。

BCR事件定義：RP≥1年后生化復(fù)發(fā)，PSA水平連續(xù)≥0.2ng / mL（不包括RP后八周）雁芙，或PSA水平≥0.2后開始挽救性放療或激素治療轧膘。

DM事件定義：RP≥1年后轉(zhuǎn)移，以影像學(xué)檢查（包括骨掃描却特，CT掃描扶供，MRI和/或骨活檢結(jié)果）來確定。

nonevents定義：在研究結(jié)束時（至少有10年RP后隨訪）裂明，無BCR或DM證據(jù)椿浓。

52個候選蛋白中的10個由于檢測靈敏度較差而被剔除，作者對42個蛋白在105例患者中進(jìn)行初步分析闽晦，結(jié)果有16種蛋白質(zhì)標(biāo)志物在三個結(jié)果組（DM扳碍，BCR和無進(jìn)展）中顯示出表達(dá)量的顯著差異，包括ANXA2仙蛉，CAMKK2笋敞，CCND1，EGFR荠瘪，pan-ERG夯巷，F(xiàn)OLH1赛惩，MMP9，MUC1趁餐，NCOA2喷兼，KLK3（PSA），SMAD4后雷，SPINK1季惯，SPARC，TFF3臀突，TGFB1和VEGFA勉抓。

接著作者對PRISM-SRM方法進(jìn)行改進(jìn)，僅針對這16種蛋白質(zhì)進(jìn)行測量候学。

3.確定蛋白質(zhì)標(biāo)志物對前列腺癌進(jìn)展的預(yù)測能力

表1展示338例PCa患者的臨床信息及三個事件組間的差異藕筋。BCR和DM組臨床特征和RP時病理特征均較差，包括較高的T stage盒齿，pT stage念逞，Gleason分級，NCCN指南風(fēng)險等級及RP手術(shù)切緣陽性边翁。其中RP時GG4-5的患者在DM中占比91％翎承，BCR中為64％，非事件組為39％（p <0.0001）符匾。

表1：研究隊列的臨床病理特征

作者分DM vs. Nonevent叨咖，BCR vs. Nonevent，GG (3–5 vs. 1–2) 三組對16種蛋白繪制了ROC曲線啊胶，表2展示了AUC值及p值甸各。其中FOLH1, SPARC,TGFB1在三組中均具有顯著的預(yù)測作用，PSA可預(yù)測DM焰坪，CAMKK2, EGFR, NCOA2可預(yù)測GG分級趣倾。

表2：16個候選蛋白標(biāo)志物預(yù)測DM,BCR及GG的AUC值

根據(jù)表2的結(jié)果，作者以具有顯著意義的蛋白（DM 4種某饰，BCR 3種）進(jìn)行預(yù)測模型的構(gòu)建儒恋。在兩組標(biāo)準(zhǔn)化治療（SOC）變量模型的基礎(chǔ)上加入蛋白標(biāo)志物對DM與BCR繪制模型的ROC曲線：

圖1比較了基礎(chǔ)模型與加入蛋白標(biāo)志物模型的AUC值，可以看到protein panel建模提高了基礎(chǔ)模型的AUC值黔漂。

活檢基礎(chǔ)變量biopsy base model為一組PCa診斷時的臨床變量诫尽，包括年齡、種族炬守、NCCN指南的風(fēng)險等級牧嫉。

病理基礎(chǔ)變量pathology base model為一組RP時檢測的病理變量，包括pT stage、GG酣藻、手術(shù)切緣狀態(tài)曹洽。

圖1：SOC變量+蛋白組合預(yù)測模型的ROC曲線

表3,4：確定每種蛋白的最佳臨界值，保留可以同時達(dá)到70％的陰性預(yù)測值（NPV）和30％的特異性的高靈敏度的標(biāo)志物臊恋。DM中四種蛋白均保留衣洁，BCR中僅保留SPARC和TGFB1兩種蛋白。

表3：DM蛋白標(biāo)志物的cut-point

表4：BCR蛋白標(biāo)志物的cut-point

使用表3,4中確定的蛋白臨界值將樣本分別分為高低表達(dá)組進(jìn)行生存分析抖仅。

圖3顯示4種蛋白標(biāo)志物均可以單獨預(yù)測distant metastasis-free survival (DMFS)，高水平FOLH1（p = 0.011）砖第，SPARC（p = <0.0001）和TGFB1（p <0.0001）患者預(yù)后較差撤卢，低水平PSA（p = 0.0104）患者預(yù)后較差。

圖4顯示高水平SPARC（p = 0.0011）和TGFB1（p = 0.0006）患者的BCR-free survival顯著更差梧兼。

圖2：DM蛋白標(biāo)志物高低表達(dá)組的DM-free survival生存曲線

圖3：BCR蛋白標(biāo)志物高低表達(dá)組的BCR-free survival生存曲線

4.預(yù)測遠(yuǎn)端轉(zhuǎn)移的5蛋白分類器構(gòu)建及驗證

首先作者將214例患者（53 DM和161個非事件）隨機(jī)分為訓(xùn)練和測試集（70％和30％）來構(gòu)建預(yù)測DM的蛋白分類器放吩。在訓(xùn)練和測試隊列中，NCCN風(fēng)險分級羽杰，病理性T分期渡紫，RP GG和手術(shù)切緣狀態(tài)顯示與遠(yuǎn)處轉(zhuǎn)移密切相關(guān)。

在訓(xùn)練隊列中使用單變量logistic回歸分析來選擇能顯著預(yù)測DM的蛋白考赛，結(jié)果包括CAMKK2惕澎，F(xiàn)OLH1，PSA颜骤，SPARC和TGFB1 5種蛋白唧喉。然后進(jìn)行多變量logistic回歸建模，使用bootstrap法重抽樣獲取95%置信區(qū)間忍抽，得到預(yù)測DM的最佳蛋白閾值為8.3八孝，對應(yīng)92％的NPV、90％的敏感性和53％的特異性鸠项。在訓(xùn)練集和測試集中5蛋白分類器的AUC分別為0.84和0.87干跛。

最后作者進(jìn)行多變量Cox回歸分析構(gòu)建預(yù)測DMFS的模型，分別組合活檢變量（表5）和病理變量（表6）及5蛋白分類器祟绊，并且將5蛋白分類器在閾值（≥8.3 vs. <8.3）進(jìn)行二分（model 1）或作為連續(xù)變量（model 2）構(gòu)建了兩種模型楼入。

所有4個模型均滿足每個協(xié)變量的比例風(fēng)險假設(shè)。

在加入活檢變量和二分類變量的模型中久免，蛋白分類器值高低組患者的DMFS具有顯著差異（HR = 5.09浅辙，95％CI：1.11-23.4，p = 0.036）阎姥。

在連續(xù)變量模型中记舆，蛋白質(zhì)分類器值增加一個單位也可以顯著預(yù)測DMFS（HR = 1.03，95％CI：1.02-1.05呼巴，p <0.001泽腮；HR = 1.02御蒲，95％CI：1.01-1.05，p = 0.018）诊赊。

表5：5蛋白分類器+SOC活檢變量多因素Cox模型

表6：5蛋白分類器+SOC病理變量多因素Cox模型

同樣通過在測試隊列中將5蛋白分類器添加到活檢和病理SOC變量中厚满，對分類器進(jìn)行多變量Cox回歸建模以預(yù)測BCR。

最后作者繪制了基礎(chǔ)模型碧磅、加入5蛋白分類器的模型碘箍、PSA單獨診斷的ROC曲線，結(jié)果顯示在預(yù)測DM（圖A,B）中鲸郊，加入蛋白分類器的活檢模型AUC值由0.73提高到0.92丰榴，病理模型由0.83提高到0.94，而在預(yù)測BCR（圖C,D）中秆撮，分別由0.71和0.78提高到0.88和0.90四濒。以上，5蛋白分類器的加入顯著提高了目前SOC模型的預(yù)測效果职辨，活檢模型預(yù)測能力的顯著提高有助于前列腺癌進(jìn)展的早期預(yù)測盗蟆，減少對RP的需求。

圖4：預(yù)測模型的ROC曲線

小結(jié)

????????本篇文章著眼于開發(fā)PCa蛋白標(biāo)志物舒裤，以提高現(xiàn)有標(biāo)準(zhǔn)化治療的RP后DM喳资、BCR預(yù)測準(zhǔn)確性。作者在PCa相關(guān)基因集中篩選出候選基因惭每，對338例接受RP的PCa患者FFPE樣本進(jìn)行分析骨饿，使用NanoString進(jìn)行初步的差異表達(dá)基因篩選，使用PRISM-SRM法進(jìn)行蛋白定量台腥，選出16個候選蛋白標(biāo)志物宏赘。接著分別組合PCa診斷時活檢變量、RP組織病理變量黎侈，進(jìn)行DM察署、BCR預(yù)測模型的ROC曲線繪制，并且對每種蛋白高低表達(dá)組進(jìn)行了生存分析以確定蛋白對PCa進(jìn)展的預(yù)測作用峻汉。

????????最后作者通過logistic回歸進(jìn)行了分類器蛋白的篩選及最佳蛋白閾值的估計贴汪，然后組合活檢、病理變量及5蛋白分類器構(gòu)建了預(yù)測DM和BCR的多因素Cox回歸模型休吠，AUC（0.92,0.94,0.88,0.90）顯示5蛋白分類器的加入顯著提高了模型預(yù)測PCa進(jìn)展的準(zhǔn)確性扳埂。

和以往一樣，后臺回復(fù)[61a]就可以獲取我們今天分享的文獻(xiàn)啦瘤礁！我們下期再見阳懂！

科研菌學(xué)術(shù)討論群，在群內(nèi)可以用自己的昵稱，廣告一律踢岩调；其他公眾號的宣傳也不發(fā)巷燥，就算是要發(fā)，提前和小編商量和確認(rèn)号枕，不然也是一律踢哈缰揪。

歡迎添加小編微信↑↑↑

請大家加我的時候就備注好“學(xué)術(shù)討論群”以及自己的“單位+專業(yè)+姓名”。