Abstract
Bakgrunn
Nylig, raske fremskritt er gjort i metabolomics-basert, lett-å-bruke tidlig kreft deteksjonsmetoder ved hjelp av blodprøver. Blant metabolitter, er profilering av plasma frie aminosyrer (PFAAs) en lovende tilnærming fordi PFAAs koble alle organsystemer og har viktige roller i stoffskiftet. Videre er PFAA profiler kjent for å bli påvirket av spesifikke sykdommer, inkludert kreft. Derfor er hensikten med denne studien var å finne ut hva som kjennetegner de PFAA profiler i kreftpasienter og muligheten for å bruke denne informasjonen for tidlig deteksjon.
Metoder og funn
Plasmaprøver ble samlet inn fra omtrent 200 pasienter fra flere institutter, hver diagnostisert med en av de følgende fem typer kreft: lunge, mage, kolorektal, bryst, eller prostatakreft. Pasientene ble sammenlignet med kjønns- og alders matchede kontroller også anvendt i denne studien. De PFAA Nivåene ble målt ved anvendelse av høy ytelse væskekromatografi (HPLC) -electrospray ionisering (ESI) vekt- spektroskopi (MS). Univariat analyse viste signifikante forskjeller i PFAA profiler mellom kontroller og pasienter med noen av de fem typer kreft som er nevnt ovenfor, selv de med asymptomatisk tidlig stadium sykdommen. Videre multivariat analyse klart diskriminert kreftpasienter fra kontrollene i forhold til arealet under mottaker-operatør egenskaper kurven (AUC av ROC 0,75 for hver kreft), uavhengig av kreft stadium. Fordi denne studien ble utformet som case-control studie, ytterligere undersøkelser, inkludert modell konstruksjon og godkjenning ved kohorter med større utvalgsstørrelser, er nødvendig for å fastslå nytten av PFAA profilering.
Konklusjoner
Disse funnene tyder på at PFAA profilering har et stort potensial for å forbedre kreft screening og diagnose og forstå sykdom patogenesen. PFAA profilene kan også brukes til å bestemme forskjellige sykdomsdiagnoser fra en enkelt blodprøve, noe som innebærer en forholdsvis enkel plasma-analyse og pålegger en lavere fysisk byrde på individer, sammenlignet med eksisterende screeningmetoder
relasjon:. Miyagi Y, Higashiyama M, Gochi A, Akaike M, Ishikawa T, Miura T, et al. (2011) Plasma frie aminosyren Profilering av Fem typer kreftpasienter og dens anvendelse for Early Detection. PLoS ONE 6 (9): e24143. doi: 10,1371 /journal.pone.0024143
Redaktør: Libing Song, Sun Yat-sen-universitetet Cancer Center, Kina
mottatt: 8 april 2011; Godkjent: 01.08.2011; Publisert: 07.09.2011
Copyright: © 2011 Miyagi et al. Dette er en åpen-tilgang artikkelen distribueres under betingelsene i Creative Commons Attribution License, som tillater ubegrenset bruk, distribusjon og reproduksjon i ethvert medium, forutsatt den opprinnelige forfatteren og kilden krediteres
Finansiering:. Dette arbeidet har vært støttet av Grant-i-Aid for Scientific Research på Grunnforskning B (nr 17390195) fra departementet for utdanning, kultur, sport, vitenskap og teknologi i Japan. Den Funder hadde ingen rolle i studiedesign, datainnsamling og analyse, beslutning om å publisere, eller utarbeidelse av manuskriptet. Ajinomoto, Co., Inc. hadde en rolle i studiedesign, datainnsamling og analyse, beslutning om å publisere, eller utarbeidelse av manuskriptet
Konkurrerende interesser:. Forfatterne har lest journalen politikk og har følgende konflikter: Dr. Horimoto, Dr. Tochikubo, Dr. Yamakado, og Dr. Okamoto har vært konsulenter for Ajinomoto, Co., Inc. og motta konsulenthonorar fra Ajinomoto, Co., Inc. Dr. Imaizumi, Dr. Yamamoto, og Dr. Miyano er ansatte i Ajinomoto, Co., Inc. Dr. Miyagi, Dr. Higashiyama, Dr. Gochi, Dr. Akaike, Dr. Ishikawa, Dr. Miura, Dr. Saruki, Dr. Bando, Dr. Kimura, Dr . Imamura, Dr. Moriyama, Dr. Ikeda, Dr. Chiba, Dr. Oshita, Dr. Tochikubo, Dr. Mitsushima, Dr. Yamakado, og Dr. Okamoto mottatt forskningsstøtte fra Ajinomoto, Co., Inc. Dr. Higashiyama, Dr. Imamura, Dr. Imaizumi, og Dr. Okamoto har søkt om patent på plasma aminosyre-profilering ved hjelp av multivariat analyse som et diagnostisk verktøy for lungekreft og kreft (WO2008 /016111 og WO2009 /110517), Dr. Gochi, Dr. Imaizumi, og Dr. Yamamoto har søkt om patent på plasma aminosyre-profilering ved hjelp av multivariat analyse som et diagnostisk verktøy for magekreft (WO2009 /099005), Dr. Imaizumi og Dr. Okamoto har søkt om patent på plasma aminosyre-profilering ved hjelp multivariat analyse som et diagnostisk verktøy for kolorektal kreft (WO2008 /075663), Dr. Imaizumi og Dr. Okamoto har søkt om patent på plasma aminosyre-profilering ved hjelp av multivariat analyse som et diagnostisk verktøy for brystkreft (WO2008 /075662), Dr. Miyagi, Dr. Miura, Dr. Imaizumi, Dr. Yamamoto, og Dr. Okamoto har søkt om patent for plasma aminosyre-profilering ved hjelp av multivariat analyse som et diagnostisk verktøy for prostatakreft (WO2009 /154297), og Dr. Miyano har søkt for patenter for plasma aminosyre målesystemer (WO2003 /069328 og WO2005 /116629). Dette endrer ikke forfatternes tilslutning til alle PLoS One politikk på deling av data og materialer.
Innledning
Flere minimalt-invasiv, lett-å-bruke kreft diagnostiske metoder ved hjelp av perifert blod eller urinprøver har nylig blitt utviklet for å lette den fysiske belastning for pasienter og for å redusere kostnadene og tiden som er involvert [1], [2], [3], [4], [5], [6], [7], [ ,,,0],8]. Hurtige fremskritt har blitt gjort i kreft diagnose og prognose metoder basert på metabolomet analyse [3], [9], [10], [11], [12], [13], [14], noe som ofte innebærer bruk av multivariate analyseteknikker, slik som dataassistert, maskin-læringssystemer for data mining.
Selv om metabolomet analyse er en lovende tilnærming i screening for sykdommer som kreft, noen praktiske begrensninger forbli. Disse inkluderer nødvendigheten av å måle et stort antall metabolitter [15], [16], [17], data-redundans problemer, inkludert den falske-funnrate (FDR) og overtilpassing, og kostnadsbegrensninger. En måte å overvinne disse problemene er «fokuserte metabolomics», som begrenser objekter av analysen til de som spiller roller i generelle forbrenningen og dele fysiske likheter.
Aminosyrer er blant de mest egnede kandidater for fokusert metabolomics som de enten svelges eller syntetisert endogent og spille viktige fysiologiske roller både som grunnleggende metabolitter og metabolske regulatorer. For å måle aminosyrer, plasma fri aminosyrer (PFAAs), som rikelig sirkulerer som et medium for å koble alle organsystemer, ville være den mest gunstige mål fordi deres profiler har vært kjent for å bli påvirket av metabolske variasjoner i spesifikke organsystemer indusert av spesifikke sykdommer [18], [19], [20], [21]. I tillegg kan plasmaprøver samles lett fra pasienter.
Flere forskere har rapportert endringer i PFAA profiler hos kreftpasienter [22], [23], [24], [25], [26], [ ,,,0],27], [28]. Imidlertid, til tross for bevis av et forhold mellom PFAA profiler og noen typer kreft, er det få studier utforsket bruk av PFAA profiler for diagnose fordi, selv om PFAA profiler avvike betydelig fra pasient til pasient, gjør forskjellene i de enkelte aminosyrer som ikke alltid gi tilstrekkelig diskriminerende evner av seg selv [24], [29], [30]. For å løse dette problemet, vi tidligere konstruert og testet en diagnostisk indeks basert på PFAA konsentrasjoner, kjent som «AminoIndex teknologi» [29], [30], [31], [32], [33], for å komprimere flerdimensjonal informasjon fra PFAA profiler til én dimensjon og maksimere forskjellene mellom pasienter og kontroller (figur 1). Vi har innhentet foreløpige data på effekten av «AminoIndex teknologi» for tidlig påvisning av kolorektal, bryst og lunge kreft i ca 150 prøver fra en enkelt medisinsk institutt [29], [30].
På toppen av diagrammet, er PFAA konsentrasjoner målt for hvert fag. I den midtre, mål-variabler og univariat analyse av PFAA profiler er representert. Nederst er en estimering av sorter med optimalisert diskriminerende effekt ved bruk av multivariat analyse presentert.
Videre teknologi har nylig blitt utviklet for å analysere aminosyrer med høy nøyaktighet. For eksempel, har vi utviklet en metode for å måle PFAA profiler ved hjelp av væskekromatografi (HPLC) -electrospray ionisering (ESI) vekt- spektrometri (MS) [34], [35], [36].
den foreliggende studien var å bestemme muligheten for PFAA profilering for kreftdiagnose ved bruk av et stort antall prøver fra flere medisinske institutter. Vi målte PFAA profilene til omtrent 200 kreftpasienter fra tre forskjellige institutter hver med en av de følgende fem typer kreft: lunge, mage, colorectal (CRC), bryst, eller prostatakreft. Pasientene ble sammenlignet med fem ganger størrelsen på kjønns- og alderstilpassede kontroller også brukt i denne studien. Vi sammenlignet endringer i PFAA profiler mellom kreftpasienter og kontrollene ved hjelp av univariate og multivariate analyser. Som et resultat, ble det observert signifikante endringer i PFAA profiler observert hos kreftpasienter sammenlignet med kontrollpersoner. Vi demonstrerte to typer endringer i PFAA profiler hos kreftpasienter: noen forskjeller reflekteres de metabolske endringer som er felles for mange kreftformer, mens andre var spesifikke for hver krefttype. Vi fant også at både felles og krefttypespesifikke endringer i PFAA profiler ble observert selv hos pasienter med forstadier til kreft. Videre bruker et stort antall prøver mulig for oss å kontrollere robustheten PFAA profilering for tidlig påvisning av ulike kreftformer.
Materialer og Metoder
Etikk
Undersøkelsen ble gjennomføres i samsvar med Helsinkideklarasjonen, og protokollen ble godkjent av etikkomiteer i Kanagawa Cancer Center, Osaka Medical Center for Cancer og hjerte- og karsykdommer, den Okayama universitetssykehus, Yokohama City University Medical Center, den Gunma prefekturs Cancer sentrum, Shizuoka Prefectural Cancer center, Chiba Prefectural Cancer center, Yokohama Municipal Citizen Hospital, Yokohama Minami Kyosai sykehus, Kanagawa Health service Association, Kameda Medical center Makuhari, og Mitsui Memorial Hospital. Alle fag ga sin skriftlig informert samtykke for inkludering før de deltok i studien. Alle data ble analysert anonymt gjennom hele studien.
Fag
Data fra japanske pasienter med lungekreft (LC), magekreft (GC), tykktarmskreft (CRC), brystkreft (BC) og prostatakreft (PC) ble analysert i denne studien. Pasientene hadde fått histologisk diagnostisert med primær kreft på ulike japanske medisinske institutter mellom 2006 og 2009. LC pasienter ble rekruttert fra Osaka Medical Center for Cancer og hjerte- og karsykdommer, Chiba Prefectural Cancer Center, Kanagawa Cancer Center, og Gunma prefekturs Cancer Center. GC pasienter ble rekruttert fra Okayama universitetssykehus, den Gunma Prefectural Cancer Center, og Shizuoka Prefectural Cancer Center. CRC pasienter ble rekruttert fra Kanagawa Cancer Center, den Shizuoka Prefectural Cancer Center, og Gunma Prefectural Cancer Center. BC pasienter ble rekruttert fra Yokohama City University Medical Center, Kanagawa Cancer Center, og Gunma Prefectural Cancer Center. PC-pasienter ble rekruttert fra Kanagawa Cancer Center, Yokohama Municipal Citizen Hospital, Yokohama Minami Kyosai Hospital, og Gunma Prefectural Cancer Center. Kontrollpersoner uten åpenbar kreft ble valgt ut blant de som gjennomgår omfattende medisinske undersøkelser ved tre forskjellige japanske medisinske institutter (Senter for Multiphasic Helse Testing og tjenester Mitsui Memorial Hospital, den Kameda Medical Center Makuhari, og Kanagawa Health Service Association) mellom 2008 og 2009.
Tykktarms polypp pasienter ble rekruttert blant de som gjennomgår endoskopisk polypectomy på Kameda Medical Center Makuhari mellom 2006 og 2008.
i forbindelse med dataanalyse, pasientene ble tildelt fem grupper basert på deres primære kreftdiagnoser (~140-200 pasienter per gruppe), og fem alder og kjønn-matchet kontrollgrupper ble også etablert (tabell 1). Datasett for alle kreftpasienter og kontroller, samt alle kreftpasienter stratifisert etter kjønn, ble også analysert.
PFAA måling
Blodprøver ble tatt fra kontrollene og pasientene før en hvilken som helst medisinsk behandling. Blodprøver (5 ml) ble samlet fra underarmsblodårene etter faste over natten i rør inneholdende etylendiamintetraeddiksyre (EDTA; Termo, Tokyo, Japan) og ble umiddelbart plassert på is. Plasma ble fremstilt ved sentrifugering ved 3000 rpm ved 4 ° C i 15 minutter og deretter lagret ved -80 ° C inntil analyse. Etter plasma samlingen, ble alle prøvene lagres og behandles ved Institutt for innovasjon av Ajinomoto Co., Inc. (Kawasaki, Japan). For å redusere eventuell skjevhet innføres før analysen ble prøvene analysert i tilfeldig rekkefølge. Plasmaprøvene ble avproteinisert ved bruk av acetonitril ved en sluttkonsentrasjon på 80% før måling. De amino-syrekonsentrasjoner i plasma ble målt ved hjelp av HPLC-ESI-MS, etterfulgt av derivatisering prekolonne. De analytiske metoder som ble brukt var som tidligere beskrevet [34], [35], [36].
Blant de 20 genetisk kodede aminosyrene, glutamat (Glu), aspartat (Asp), og cystein (Cys) ble ekskludert fra analysen fordi de er ustabile i blodet. Citrullin (Cit) og ornitin (Orn) ble målt i stedet fordi de er relativt rikelig i blod, og er kjent for å spille en viktig rolle i metabolismen. De følgende 19 aminosyrer og beslektede molekyler ble derfor målt og analysert: alanin (Ala), arginin (Arg), asparagin (Asn), Cit, glutamin (Gin), glycin (Gly), histidin (His), isoleucin (Ile) , leucin (Leu), lysin (Lys), metionin (Met), Orn, fenylalanin (Phe), prolin (Pro), serin (Ser), treonin (Thr), tryptofan (Trp), tyrosin (Tyr), og valin (Val).
to beregninger ble foretatt for hver av de 19 aminosyrer, inkludert den absolutte konsentrasjonen av hver aminosyre, som direkte reflekterte dets tilgjengelighet og forbruk, og forholdene er knyttet til den spesifikke metabolske status i hvert organ . Konsentrasjonene av aminosyrer i plasma ble uttrykt i pM, og forholdene mellom amino- syrekonsentrasjoner ble uttrykt ved den følgende ligning: hvor
X2
i, er forholdet mellom amino-syre j
konsentrasjonen av den j-te aminosyre av i-te emne, og
X
i, i j
plasmakonsentrasjon (uM) av den j-te aminosyre av i-te gjenstand.
Statistisk analyse
To typer metrisk ble anvendt for hvert datasett for analyse ved bruk av enten den amino-syrekonsentrasjonen eller forholdet som forklaringsvariabler.
Mean og SD.
De gjennomsnittlige aminosyre-konsentrasjoner ± standardavvik (SDS) ble beregnet til å bestemme oppsummert PFAA profiler for både pasienter og kontroller.
Mann-Whitney U-test.
Mann -Whitney
U
-test ble brukt for å vurdere vesentlige forskjeller i plasma aminosyre-konsentrasjoner mellom pasientene og kontrollene.
ROC analyse.
Receiver-operatør karakteristisk (ROC) kurve analyser ble utført for å bestemme evnene til uni- og multi-varians analyse for å skille mellom pasienter og kontroller. Pasienten etiketter ble løst så positive klasse etiketter. Derfor, i et område under ROC-kurven (AUC fra ROC) verdien av 0,5 indikerte at aminosyren nivået var lavere i pasienter enn kontrollene, mens en AUC på ROC verdi av 0,5 indikerte at det var høyere. Den 95% konfidensintervall (95% KI) av AUC for ROC for diskriminering av pasienter basert på aminosyre konsentrasjoner og forhold ble også beregnet som beskrevet av Hanley og McNeil [37].
Toveis analyse av varians (ANOVA).
Den to-veis ANOVA ble brukt for å evaluere effekten av kjønn, alder og røykestatus som potensielle konfunderende faktorer. Tilstedeværelsen av kreft og kjønn ble antatt å være uavhengige faktorer, alder ble behandlet som en sammenhengende prediktor i stedet for en kategorisk prediktor, og den kryssledd mellom tilstedeværelsen av kreft og røyking status ble analysert.
To-klasse lineær diskriminering analyse (LDA).
lineær diskriminering analyse (LDA) med trinnvis varierende utvalg ble utført for å skille pasienter med hver type kreft fra kontrollpersonene, der både maksimum og minimum p-verdier for et begrep som skal legges til eller fjernes ble satt til 0,001.
Multi-klasse LDA for diskriminering.
LDA med trinnvis varierende utvalg ble også utført for å skille pasienter med en bestemt kreft fra det fullstendige data satt som inneholder alle kreftpasienter stratifisert etter kjønn (fire typer kreftpasienter i hvert datasett). På grunn av størrelsen av hver gruppe var mindre enn den for to-klasse LDA, ble den maksimale p-verdi for et begrep som skal legges ble satt til 0,05, og den minimale p-verdi for et begrep som skal fjernes satt til 0,10. Den Mahalanobis avstand ble brukt som en beregning av klassifisering. Nøyaktigheten ble definert som forholdet mellom de riktig diskriminert pasienter til det totale antall pasienter med hver kreft i stedet for AUC for ROC fordi ROC analyse kan brukes bare for to-klassen diskriminering.
La en ut kryss- validering (LOOCV).
LOOCV ble utført for å korrigere potensial over-optimalisering for oppnådde LDA modeller. I korte trekk ble en prøve utelatt fra undersøkelsen datasett, og den LDA-modellen ble beregnet for de gjenværende prøver for å estimere koeffisienter for hver aminosyre. Funksjonsverdier for venstre-out prøven ble beregnet basert på modellen. Denne prosessen ble gjentatt inntil hver prøve i studien datasettet hadde blitt utelatt gang.
Betinget logistisk regresjon (c-logistikk) analyse.
C-logistikk analyse ble også utført for å verifisere effektene av alder og kjønn, potensielle konfunderende faktorer, på de diskriminerende evner innhentet LDA modeller for å skille pasienter med hver type kreft fra kontrollene.
Subgruppeanalyser.
for å vurdere virkningene av kreft trinn ble hvert datasett oppdelt i en sub-data er angitt i henhold til sykdomstrinn og med tilsvarende kontroller, og analysert ved hjelp av ROC-analyse i hvert datasett.
Software
MATLAB ( de Mathworks, Natick, MA) ble brukt for beregninger av gjennomsnittlig og SD, Mann-Whitney
U
-test, ROC analyse, to-veis ANOVA, LDAs, og LOOCV. GraphPad Prism (GraphPad Software, La Jolla, CA) ble også brukt til ROC-kurven analyse. LogXact (Cytel, Cambridge, MA) ble brukt til c-logistikk analyse.
Resultater
Kjennetegn på fagene
Tabell 1 oppsummerer egenskapene til fagene i denne studien . Datasettene omfattet 200 LC-pasienter og kontroller 996, 199 GC-pasienter og kontroller 985, 199 CRC-pasienter og kontroller 995, 198 BC pasienter og kontroller, 976 og 134 PC-pasienter og 666 kontroller (tabell 1). Utvalgsstørrelsen for hver type kreft var større enn de i tidligere rapporter [25] og gitt tilstrekkelig statistisk styrke til å teste robustheten av PFAA profiler for kreftdiagnose.
Det var ingen signifikante forskjeller i kroppsmasseindeks ( BMI) mellom datasettene (tabell 1). Vekttap på grunn av underernæring ble derfor ikke forventes å påvirke resultatene. Selv om det var signifikante forskjeller i gjennomsnittsalder blant de datasettene (LC,
p
0,05, GC,
p
0,05, og PC,
p
-60% Stadium I, ~15% stadium II, ~13% fase III, og ~12% stadium IV for GC; ~35% Etapper 0 og jeg, -25% stadium II, ~ 30% scene IV, og -10% scene IV for CRC; ~ 5% stadium 0, -25% stadium I, -25% stadium II, og -7% stadium III for BC; og ca 75% scenen B, ~13% stadium C, og ~12% scenen D for PC (tabell 1).
Pasientene med hver type kreft kan videre deles basert på histologisk type (for LC GC, CRC, og BC) eller Gleason score (for PC), som er oppsummert i tabell S1. Karakteristikken av 34 colonic polypp pasienter samt røykestatus av pasienter er også oppsummert i tabell S1.
Delt PFAA profiler blant kreft
Univariat analyse ble brukt for å sammenligne PFAA profiler av kreftpasienter og kontroller. Forskjellene i signifikansnivåer av hver aminosyre mellom pasienter og kontrollene er vist i figur 2A. Resultatene av ROC analysen er avbildet i figur 2B, fordi nivåene av betydning er avhengig av prøvestørrelsen. De konsentrasjoner og forhold av hver aminosyre profil for både pasienter og kontroller er vist i tabellene S2. Og AUC for ROC og deres konfigurasjons av hver aminosyre er vist i tabell S3 (konsentrasjon) og tabell S4 (ratio), henholdsvis
Resultatene av Mann-Whitney
U
. – test (A) og mottager-operatoren karakteristikk (ROC) kurve analyse (B) er angitt. A. Fargede celler indikerer at konsentrasjonen eller forholdet økes hos kreftpasienter med p 0,001 (rød), p 0,01 (oransje), og p 0,05 (rosa), og redusert hos kreftpasienter med p 0,001 (blå) , p 0,01 (blå), og p 0,05 (lys blå), respektivt. B. Axes viser AUC for ROC for hver aminosyre å diskriminere pasienter fra kontroller. Konsentrasjoner og forhold for hver kreftpasient og den samlede datasettet er angitt hhv. Svarte dristige linjer indikerer punktet hvor AUC for ROC = 0,5.
To-veis ANOVA ble brukt til å evaluere potensielle konfunderende effekter av kjønn, alder og røykestatus. Korrigering for disse faktorene ikke i stor grad påvirke betydningen nivåer av hver aminosyre, noe som tyder på at deres effekter på PFAA profilene var små (tabell S5).
Plasmakonsentrasjonen av Gin, Trp, og Hans ble betydelig redusert i alle kreftformer unntatt PC, og ingen av de aminosyrene viste økt konsentrasjon på tvers av alle typer kreft (
p
0,05). Forholdene mellom Trp og Hans ble betydelig redusert, mens de av Pro og Orn ble økt, i alle kreft (
p
0,05) (figur 2)
For ytterligere å undersøke delt. trekk blant kreftpasienter, ble PFAA profiler sammenlignet ved hjelp av et samlet datasett inkludert alle kreftpasienter og kontroller. Spesielt aminosyrer som ble berørt av denne typen analyse hadde betydelige forskjeller i både konsentrasjon og forholdet: 11 aminosyrer (Asn, Gin, Cit, Val, Met, Leu, Tyr, Phe, Hans, Trp, og Arg) viste avtar, mens fire aminosyrer (Ser, Pro, Gly, og Orn) oppviste økninger (figur 2). Endringer i Gin, Trp, His, Pro, og Orn ble detektert i analysen for alle typer kreft. Endringer i disse aminosyrene kan derfor reflektere karakteristiske endringer i stoffskiftet som er felles for alle kreftformer.
Spesifikke PFAA profiler for hver kreft
I tillegg til endringene som var felles for alle kreftformer vi har oppdaget forandringer i PFAA profiler som var spesifikke for hver sykdom type (figur 2). Totalt sett er konsentrasjonene av de fleste aminosyrer ble redusert i GC og CRC-pasienter, mens ingen klare trender i amino- syrekonsentrasjoner ble observert i de andre gruppene (figur 2). Videre har noen av aminosyrene viste motsatte tendenser i ulike typer av kreft. For eksempel, ble konsentrasjonene av Thr redusert i GC og CRC pasienter, men øket i BC-pasienter (figur 2). Disse variasjonene i PFAA profiler kan reflektere spesifikke egenskapene til hver kreft, i motsetning til begrenset sett av aminosyrer som er ansvarlig for metabolske forandringer som deles av alle krefttilfeller.
Endringer i PFAA profiler i tidlig stadium kreft
Selv om endringer i PFAA profiler av cachexic pasienter med avansert kreft er godt dokumentert, er det få rapporter vurderes tidlig stadium pasienter. Imidlertid er en stor fraksjon av kreftpasienter i det aktuelle datasettet var i de tidlige stadier av sykdommen (tabell 1). Forskjellene i PFAA profiler etter sykdom scenen ble derfor undersøkt for hver kreft (Figur 3, Figur S1, tabell S3, tabell S4).
Aksene viser AUC for ROC for hver aminosyre for kresne pasienter fra kontroller. A. Sammenligning av konsentrasjoner av kreftpasienter og kontroller. B. Sammenligning av forhold mellom kreftpasienter og kontroller. Skala som beskrevet for Figur 2. For LC, GC, CRC, og BC, kreft stadier ble bestemt i henhold til International Union Against Cancer TNM klassifisering av ondartede svulster, sjette utgave [38], og for PC, ble kreft etapper fastsatt i henhold til Jewett iscenesettelse system [39].
Spesielt ble endringer i PFAA profiler påvist hos alle pasienter, inkludert de i de tidlige stadier av sykdommen, i den aktuelle studien. Alle amino-syrekonsentrasjoner og forhold ble drastisk redusert i trinn sykdom pasienter tidligere, uavhengig av den etterfølgende progresjon. Spesielt ble en signifikant reduksjon av hver aminosyre-konsentrasjon observert i GC og CRC-pasienter (figur 3A), og endringer i hver dekningen var bemerkelsesverdig i alle kreftpasienter (figur 3B).
Tidlig stadium cancer pasientene er vanligvis asymptomatiske. Videre har de fleste av fagene i denne studien viste ingen signifikant vekttap (et symptom typisk for cachectic pasienter) (tabell 1), anoreksi, eller reduksjon i serum albuminkonsentrasjoner (data ikke vist). Endringene i PFAA profilene i kreftpasienter derfor ut til å være uavhengig av eventuelle effekter forårsaket av dårlig ernæring som følge av tumorprogresjon.
Kresne kreftpasienter og kontroller av PFAA profiler
Resultatene fra univariate analyser antydet at kreftpasienter og kontroller kan bli diskriminert ved hjelp av multivariat analyse. Ved å anta at nærværet av kreft og konsentrasjonene eller forholdene mellom PFAA profilene var objektiv og forklarende variabler, henholdsvis LDA var i stand til å skille kreftpasienter fra de tilsvarende kontroller med variabelt utvalg. Resultatene av varierende utvalg er angitt i tabell 2 (konsentrasjon) og tabell S6 (ratio), henholdsvis.
diskriminering evner for hver kreftpasient ble evaluert ved hjelp av AUC for ROC av diskriminere score og ble funnet å være 0,75 i alle tilfeller (Tabell 3 og Tabell S7). I betong analyse, AUC’er for diskriminering av pasienter basert på amino- syrekonsentrasjoner og forhold, henholdsvis, ble også beregnet som følger: 0,802 (95% CI: 0.766~0.838) og 0,802 (95% CI: 0.767~0.837) for LC ; 0,849 (95% KI: 0.816~0.882) og 0,816 (95% KI: 0.780~0.852) for GC; 0,874 (95% KI: 0.842~0.906) og 0,881 (95% KI: 0.851~0.910) for CRC; 0,778 (95% KI: 0.741~0.815) og 0,778 (95% KI: 0.741~0.815) for BC; og 0,783 (95% KI: 0.740~0.826) og 0,779 (95% KI: 0.740~0.819) for PC (Tabell 3 og Tabell S7). Diskriminere analysen var derfor i stand til å tilstrekkelig skille mellom ulike typer av pasientens kreft.
Variable utvalg ble også utført for hver kreftpasient. Åtte aminosyrer ble valgt i mer enn to av de fem typer kreft: Gin, Ala, Val, Ile, His, Trp, Orn, Lys og for konsentrasjonene (tabell 2A); og Ser, Gin, Val, Met, Hans, Trp, Lys og Arg for forholdene (tabell S6). Fire av de aminosyrer (Gin, Val, His, og Trp) mellom hvert sett, ble valgt ut for begge forklarende variabler (tabell 2 og tabell S6). Disse aminosyrene var de samme som de som er forbundet med alle typer kreft som indikert ved univariate analyse (Gin, Trp, His, Pro, og Orn).
På den annen side er det enkelte aminosyrer innlemmes i LDA modellen ble ikke identifisert som vesentlige aminosyrer ved univariate analysen. For eksempel, har den Val-konsentrasjonen ikke viser en betydelig endring i univariate analyse (figur 2A), men det ble innlemmet i LDA-modellen (tabell 2). Fordi plasmakonsentrasjoner av hver aminosyre er metabolsk forbundet med hverandre, kan det være en mulig korrelasjon som ikke kan oppdages ved den univariate analyse alene. Faktisk Spearmans delvis korrelasjonskoeffisient mellom Val og kreft (eller ikke) var -0,127 (p 0,001), mens korrelasjonskoeffisienten mellom disse to faktorene var 0,035 (ikke signifikant). Derfor denne antydet at den oppnådde LDA modellen reflekteres den metabolske nettverk av PFAAs, som ikke var tydelige grundig univariat analyse.
Fordi de oppnådde resultatene kan ha blitt over-optimalisert, LOOCV ble gjennomført for å generere en objektiv analyse . Dette ga AUC’er tilsvarende de som ble oppnådd for LDA, noe som tyder på at det ikke var noen åpenbar over-optimalisering i de oppnådde LDA modeller (Tabell 3 og Tabell S7).
Subgruppeanalyser av oppdelte datasett ifølge kreft scene, inklusive tilsvarende kontroller, ble deretter utført for å vurdere evnen til PFAA profiler for å skille mellom faser av kreft for hver type av sykdom. I ethvert stadium av hver kreft, var AUC for ROC funnet å være høyere enn 0,75, noe som tyder på at de oppnådde LDA modellene ville således være forventet å være effektive i å oppdage tidlig, samt avansert stadium kreft (Tabell 3 og Tabell S7).
diskriminering evner for alle kreftpasienter ble også vurdert. AUCene til ROC for både konsentrasjon og forholdstall var 0,796 (95% KI: 0.779~0.814) og 0,785 (95% KI: 0.767~0.803), henholdsvis (Tabell 3 og Tabell S7). Spesielt har de fleste av de 19 aminosyrer ble statistisk valgt for disse diskrimi: 16 for konsentrasjonene og 12 for forholdene. Selv bruker en grov klassifisering, uavhengig av type kreft, var det mulig å skille mellom pasienter og kontroller med høy nøyaktighet, og de samlede bidrag av mange aminosyrer kan reflektere de store karakteristiske endringer knyttet til kreft metabolisme.
