Геометрический анализ опухоли выявляет скрытую реакцию на терапию рака вопреки стандартным тестам
Аннотация Предыстория Топологический анализ данных претерпел множество разработок, потенциально применимых в прецизионной онкологии. Цель этого исследования - определить, можно ли использовать геометрические методы определения характеристик экспрессии генов в опухолях как для создания окончательной классификации ответивших и не ответивших, так и для прогнозирования реакции пациента на лечение с использованием методологии тестирования вне выборки. Методы. Сигнатуры экспрессии генов опухолей, построенные на основе геометрических атрибутов данных, были созданы и протестированы в ходе открытого клинического исследования Pfizer по комбинации авелумаба и акситиниба при распространенной почечно-клеточной карциноме. Это было ранее проведенное и опубликованное рандомизированное контролируемое исследование III фазы в рамках проекта JAVELIN Renal 101 (2019). Множественные геометрии различных свойств на основе организации данных были созданы с использованием данных об экспрессии генов (n = 726), которые затем использовались для составления совокупных синтетических подгрупп ответа для каждого пациента в качестве внутренней классификации. Было проведено дополнительное и отдельное тестирование пациентов вне выборки, с использованием оставшихся образцов для построения геометрического каркаса ответа, а затем создания аналогичной синтетической группы, а затем проверенной с помощью лог-рангового теста. Результаты сравнивались с тремя опубликованными сигнатурами экспрессии генов: одна получена из этой когорты, а две - извне. Результаты. Геометрические характеристики экспрессии генов были успешно использованы для создания внутренней классификации лиц, ответивших на вмешательство, с совершенно разными оценками Каплана-Мейера (КМ), основанными на распределении респондентов. Кроме того, прогнозирование вне выборки, основанное на методологии исключения одного, позволило правильно предсказать эту классификацию респондентов с точностью 82.9% при медианном разделении ответов с площадью под кривой 0,880 (95%CI 0,855–0,905). Анализ на уровне генов показал, что сигнал представляет собой совместно экспрессируемую программу, а не отдельные транскрипты. Ни один ген не сохранил независимую ассоциацию после кондиционирования со своими совместно экспрессируемыми соседями, а от двух до пяти совместно экспрессируемых модулей исчерпывали транскриптомную информацию о классификации (за пределами AUC 0,74–0,76), что превышает штрафную регрессию для всех 22 955 генов (0,73). Скорректированное ограни
## В чем суть открытия Почему линейные панели генов не могут предсказать реакцию на терапию рака, в то время как картирование геометрической формы генной сети фиксирует 85% клинического прироста выживаемости? ## Как это устроено: принцип работы Используя анализ топологических данных по 22 955 транскриптам, алгоритм отображает многомерные паттерны совместной экспрессии в синтетические геометрические структуры ответа. Профили пациентов, не входящих в выборку, затем проецируются на этот геометрический каркас с помощью тестирования с исключением одного, чтобы классифицировать индивидуальную реакцию на лекарство, не полагаясь на изолированные драйверные мутации. ## Что это меняет на практике Позволяет биофармацевтическим спонсорам стратифицировать когорты клинических исследований и разрабатывать расширенные исследования почечно-клеточной карциномы, определяя подгруппу пациентов, которая фиксирует 85.3% прироста выживаемости, одновременно защищая пациентов, не ответивших на лечение, от токсической терапии. ## Границы метода и риски Проверено ретроспективно на одной когорте III фазы терапии авелумабом и акситинибом; требует проспективной проверки на различных типах опухолей и подтверждения вариабельности партий секвенирования РНК в нескольких центрах секвенирования. ## Результаты и доказательства - **Комплексный скор значимости:** 9.6 / 10.0 - **Уровень доказательности:** Эмпирическое исследование