基因芯片在肿瘤个体化治疗中的应用进展

　　作者：齐力，孟兴凯 作者单位：内蒙古医学院第一附属医院 外科，内蒙古 呼和浩特 010059

　　【摘要】目前临床医生只能依靠用药后肿瘤的缓解率和患者的生存率来获得疗效信息。基因芯片技术的问世使人们找到一种可以在治疗开始前就获得肿瘤对药物的敏感性信息的方法，对肿瘤的生物学特征进行推测，并据此制定出最适合的个体化治疗方案，最大限度的提高肿瘤患者的生存率。本文就此内容作一综述。

　　【关键词】 基因芯片 肿瘤 个体化治疗

　　基因芯片技术对成千上万个基因进行检测，得到代表着每个个体特性的多基因表达谱，从中筛选出可以预示着不同预后和治疗效果的特征性标志基因，并应用于不同肿瘤细胞和标本的研究中，以此来指导个体化的临床治疗。近年来，各国的研究者在此方面进行了大量的实验研究。使基因芯片在个体化治疗方面的作用，展现了光明的应用前景。下面就此作一综述。

　　1 基因芯片在指导肿瘤化疗方面的研究

　　随着在肿瘤细胞和其异种移植物的研究中，证实了基因芯片分析所得的基因表达标志谱可以对肿瘤化疗的效果进行有效的预测，基因芯片被逐渐应用到各种肿瘤治疗的研究领域。在肿瘤个体化治疗的研究中，虽然基因芯片展现了美好的应用前景，但目前由于芯片技术出自不同的平台、不同的实验方法、不同的数据分析方法及由于基因芯片高通量的数据分析所产生的误差，使世界各地的研究产生了不同的结果，也对这方面的研究产生了不同的认识，下面就此分别介绍。

　　1.1 乳腺癌的研究 目前，基因芯片对乳腺癌化疗效果的研究较多，其研究方法和所得信息各不相同。除了以预后信息获得肿瘤的治疗信息外[1～2]，还有以病理完全缓解(pathologic complete response，PCR)和化疗后肿瘤的直径的大小为疗效指标。所得标志基因的数量和类别也各不相同。目前有很多研究者正在这个领域进行探索。应用PCR这一早期疗效指标对患者的远期疗效和生存率进行预测，可以在治疗早期就获得有价值的疗效信息，具有一定的优越性，这已经在NSABP B18[3]试验随访5年的资料证实。Ayers等[4]在乳腺癌新辅助化疗疗效的预测研究中，以细针穿刺活检的病理诊断为诊断依据，应用基因芯片技术，在接受紫杉醇和环磷酰胺、阿霉素、氟尿嘧啶序贯方案的24例乳腺癌患者中，对其PCR进行了预测。利用signaltonosise ratio (SNR)、 support vector machine feature selection (SVMFS) 和 knearest neighbors (kNN) 等统计学方法进行分类，得到了与PCR有关的74个标志基因组成的预测化疗疗效的多基因模型，利用该模型进行疗效预测，获得了100%的阳性预测率和73.33%的阴性预测率。有学者认为由于该研究所用的细针穿刺活检病理诊断的方法，可能给诊断带来的影响[5]。在与上述诊断方法和疗效评价指标不同的研究中，Folgueira等[6]在乳腺癌阿霉素和环磷酰胺治疗的基因表达谱的研究中，以乳腺肿瘤或淋巴结化疗前后直径大小的变化为疗效的评价标准。研究者对38例训练组和13例验证组进行了基因芯片分析，通过非监督聚类分析和交叉验证、leaveoneout的方法，筛选出3个标志基因(PRSS11、MTSS1、CLPTM1)。并以95.4%的总准确率，区别出包括验证组在内的44例不同化疗效果的乳腺癌患者。为减小误差，研究者不但采取了去除样本中的脂肪组织和纤维结缔组织、正常组织，而且对计算中的误差在SVM算法的基础上，进行统计分析。尽管研究者在减小误差方面做了很多努力，但由于其训练组和验证组并未完全分开，以及病例数较少的缺陷，所以还需要进一步实验来验证，而且基于临床应用的特点，其繁琐的算法还需要再作进一步简化。

　　1.2 胃肠癌的研究 基因芯片在指导胃肠癌治疗方面的研究，与其他类别肿瘤的基因芯片研究之间缺乏一致性的模式，所以其实验方法和得出的结果都不尽相同。目前，此方面的研究多是通过预后的不同来验证化疗的效果，从中得出可能预示着不同预后和治疗效果的基因表达谱。为得到这些特征性标志基因，除通过上述的聚类分析和交叉验证等统计学方法外，有研究者还通过建立简化的评分系统，和减少特征性标志基因，使基因芯片的应用更加方便、准确。例如，基于Gordon等[7]对基因芯片分析所得的4～6个标志基因所建立的简单的表达谱模型能够准确的区分不同预后的间皮瘤患者这一结果的启发下，Chen等[8]应用基因芯片，对18例手术后不同生存率的胃癌患者进行分析，筛选出由3个标志基因组成的简单的基因表达谱模型，通过定量RTPCR检测这3个基因在30例验证组中的表达。能够准确区分出30例中的23例不同生存率的患者。准确率为76.7%，特异性为80%，敏感性为73.3%。

　　建立评价个体对化学药物的敏感性的评分方法，不但简化了很多统计学分析，而且应用简便，使基因芯片在临床中的应用更加简化。Kihara等[9]以基因芯片分析了26个手术后经顺铂、5FU辅助化疗的不同生存期的食管癌患者，通过MannWhitney检验，共筛选出52个基因作为预测食管癌化疗敏感性及预后的标志基因。通过自建的一套评分系统，对26例食管癌病人的化疗敏感性及预后进行了预测，结果对明显的耐药组和敏感组的准确率分别是100%、100%，对于中间类型的准确率为70%。该研究的评分方法应用规则简单，并能准确的区别敏感和耐药的病例，但对过渡类型的评分与敏感组的分数重叠，在各个分类之间没有明确的界限，这可能与研究者只对差别比较明显的两组进行研究有关。而且由于样本量较少，该研究对评分系统临界值的选择及对整个评分系统的验证上，还缺乏大宗的临床病例和实验研究来进一步验证。在白血病的治疗方面也有相似的评分方法[10]，但同样也存在着上述缺点。

　　2 基因芯片对肿瘤放疗敏感性预测的研究

　　在放疗研究中，也有研究者用基因芯片通过对肿瘤的预后和治疗效果的研究，来获得指导个体化治疗的信息。例如，为找出52个直肠癌患者的可以描述和预测手术前放疗应答情况的识别基因，Watanabe等[11]以组织学方法对术前需要放疗的直肠癌患者进行分类，利用基因芯片分析35个研究组中应答和未应答组之间的基因表达差异的数据变化，通过数据标准化和分类比较法分析，最终得到33个识别基因。对这33个基因的功能也进行了本体类别分析和等级聚类分析。明显的细胞生长、信号转导、细胞分化、受体活性的基因表达占有更大的比例。再用K最近邻法和leaveoneout交叉验证法对另外的17个患者进行放疗敏感性预测，其准确率为82.4%。从结果看虽然该研究所用统计学分析方法较繁复，但其对放疗敏感性的预测给基因芯片的临床应用带来了新的思路。

　　3 基因芯片在肿瘤患者预后的研究中的应用

　　肿瘤患者的预后信息，一直是临床医生获取恶性肿瘤治疗效果的最可靠的手段。通过对不同预后肿瘤患者的基因芯片分析，可以得到预示着不同治疗效果的基因表达标志谱。广谱基因芯片分析肿瘤的基因表达谱对肿瘤的预后分析的重要价值最早在Khan等[12]的研究中得到证实，随后出现的对各种肿瘤的预后研究，都得到了较好的研究结果，例如：Bertucci等[13]在对34个乳腺癌标本进行基因芯片分析得出的23个特征性标志基因的基础上，对55例乳腺癌标本和11例乳腺癌细胞株进行了分析，对乳腺癌患者的预后的评估表明，不同的基因表达谱能够区分开不同的5年生存率的乳腺癌患者，也能在雌激素受体阳性的病人中区分出不同生存率的患者。这也提示了不同的表达谱即不同肿瘤异质性的分子证据能够预示着不同的预后。

　　Bertucci等[14]应用基因芯片对50例结肠癌的大约8 000个基因进行了表达谱分析,总体等级聚类分析在一定程度上能够区分临床上相关的亚群，即能区分正常的和肿瘤的、转移的和未转移的肿瘤,采用监督分析通过识别亚类基因能够区分正常组织和肿瘤组织、肿瘤相关的、没有淋巴结侵袭和遗传不稳定的及左右结肠之间的差异。用类似的方法可将5年生存率高者和低者区分开。

　　Larsen等[15]在基于降低肺癌手术后5年内复发率的目的对55个肺腺癌病人的标本进行了研究。以leaveoneout交叉验证方法筛选出54个标志基因，用这54个标志基因再辅助KaplanMeier分析方法，可以得出肺癌的36个月以上无病生存和18个月内复发的预后提示。这一方法对肿瘤复发的预测的结果提示基因表达谱能在肿瘤的预后的很多方面发挥作用。

　　4 问题与展望

　　目前有关基因芯片临床标本的研究，都涉及到病例数较少，试验组和验证组没有完全分开，这样就不能准确的说明标志基因和样本信息的特点，而且就高通量的芯片数据产生的误差来说，也需要更大数量的临床病例来纠正[16]。另外，由于各个类别肿瘤的基因芯片研究缺乏标准化的模式，使得各个研究之间缺乏相通之处，尤其是特征性标志基因的选择，相似的研究之间也很少有重叠，有研究者认为是研究方法和概念上的不同造成的上述差距[17]，也有研究者持不同的态度[18]。这还有待于今后的研究模式的标准化和相同的基因芯片平台的出现，来进一步解决这一问题。

　　基因芯片研究中对标志基因的提取和对肿瘤信息的预测上，所用统计学方法都不尽相同。目前在研究中应用的多是以聚类分析为基础的分类方法，但也有用数据挖掘、信息融合等系统生物学思路的研究技术[19]，由于巨大数量基因的有用数据提取的困难，使这一技术在临床的应用受到限制。但目前基因芯片的数据的分析方法仍处于探索阶段，尚未发现较其他所有数据分类方法更优的方法。而目前所用的上述方法还需要对算法作进一步的改进，以适合临床的广泛应用。目前有研究者所作的评分系统计算简单、应用方便，这对芯片普遍的临床应用有利，值得借鉴。但该系统的完善还需要大宗的临床病例的支持。

　　【参考文献】

　　[ 1] Wang Y,Klijn JG,Zhang Y,et al. Geneexpression profiles to predict distant metastasis of lymphnodenegative primary breast cancer[J]. Lancet,2005,365(9460):671-679.

　　[ 2] Paik S,Shak S,Tang G,et al. A multigene assay to predict recurrence of tamoxifentreated, nodenegative breast cancer[J]. N Engl J Med,2004,351(27):2817-2826.

　　[ 3] Polychemotherapy for early breast cancer: an overview of the randomised trials. Early Breast Cancer Trialists’Collaborative Group[J]. Lancet,1998,352(9132):930-942.

　　[ 4] Ayers M,Symmans WF,Stec J,et al. Gene expression profiles predict complete pathologic response to neoadjuvant paclitaxel and fluorouracil, doxorubicin, and cyclophosphamide chemotherapy in breast cancer[J]. J Clin Oncol,2004,22(12):2284-2293.

　　[ 5] ReisFilho JS, Westbury C, Pierga JY. The impact of expression profiling on prognostic and predictive testing in breast cancer[J]. J Clin Pathol,2006,59(3):225-231.

　　[ 6] Folgueira MA,Carraro DM,Brentani H,et al. Gene expression profile associated with response to doxorubicin-based therapy in breast cancer. Clin Cancer Res,2005,11(20):7434-7443.

　　[ 7] Gordon GJ,Jensen RV,Hsiao LL,et al. Using gene expression ratios to predict outcome among patients with mesothelioma[J]. J Natl Cancer Inst,2003,95(8):598-605.

　　[ 8] Chen CN,Lin JJ,Chen JJ,et al. Gene expression profile predicts patient survival of gastric cancer after surgical resection[J]. J Clin Oncol,2005,23(29):7286-7295.

　　[ 9] Kihara C, Tsunoda T, Tanaka T, et al. Prediction of sensitivity of esophageal tumors to adjuvant chemotherapy by cDNA microarray analysis of geneexpression profiles[J]. Cancer Res,2001,61(17):6474-6479.

　　[10] Okutsu J, Tsunoda T, Kaneta Y, et al. Prediction of chemosensitivity for patients with acute myeloid leukemia, according to expression levels of 28 genes selected by genome-wide complementary DNA microarray analysis[J]. Mol Cancer Ther,2002,1(12):1035-1042.

　　[11] Watanabe T, Komuro Y, Kiyomatsu T, et al. Prediction of sensitivity of rectal cancer cells in response to preoperative radiotherapy by DNA microarray analysis of gene expression profiles[J]. Cancer Res,2006,66(7):3370-3374.

　　[12] Khan J, Wei JS, Ringner M, et al. Classification and diagnostic prediction of cancers using gene expression profiling and artificial neural networks[J]. Nat Med,2001,7(6):673-679.

　　[13] Bertucci F, Nasser V, Granjeaud S, et al. Gene expression profiles of poorprognosis primary breast cancer correlate with survival[J]. Hum Mol Genet，2002,11(8):863-872.

　　[14] Bertucci F,Salas S,Eysteries S,et al. Gene expression profiling of colon cancer by DNA microarrays and correlation with histoclinical parameters[J]. Oncogene 2004,23(7):1377-1391.

　　[15] Larsen JE, Pavey SJ, Passmore LH, et al. Gene expression signature predicts recurrence in lung adenocarcinoma[J]. Clin Cancer Res,2007,13(10):2946-2954.

　　[16] Tu IP,Schaner M,Diehn M,et al. A method for detecting and correcting feature misidentification on expression microarrays[J]. BMC Genomics,2004,5(1):64.

　　[17] Jenssen TK,Hovig E. Geneexpression profiling in breast cancer[J].Lancet,2005,365(9460):634-635.

　　[18] AbdullahSayani A, BuenodeMesquita JM,Vijver MJ. Technology Insight: tuning into the genetic orchestra using microarrayslimitations of DNA microarrays in clinical practice[J]. Nat Clin Pract Oncol,2006,3(9):501-516.

　　[19] Reimers M. Statistical analysis of microarray data[J]. Addict Biol,2005,10(1):23-35.