Development and evaluation of high risk group prediction model in T1 stage renal cell cancer using molecular biomarkers

Abstract

일부 7 cm 이하의 조기 투명 세포 신세포 암에서 좋지 않은 임상 결과가 보고 되고 있다. 본 연구에서는 분자 바이오 마커를 이용하여 7 cm 이하의 임상적 T1 병기 투명 세포 신세포암에서의 공격적 성향을 예측하는 모델을 만들어 임상에서의 치료 결정 시 도움을 주고자 하였다. 2008 년 1 월부터 2014 년 12 월에 시행된 7 cm 이하의 투명 세포 신세포암 절제술 환자 1,069 명 중 포르말린으로 고정하고 파라핀이 포매된 조직이 이용한 가능한 177 예를 평가하였다. 공격적 종양은 동시 전이가 있거나, 재발이 있거나 또는 암으로 인해 사망한 경우로 정의하였다. 6 개의 유전자 (FOXC2, CLIP4, PBRM1, BAP1, SETD2 및 KDM5C) 의 발현 수준을 역전사 중합 효소 연쇄 반응 (qRT-PCR) 에 의해 측정하였고 발현 수준과 임상 결과에 대한 관계를 조사 하였다. 면역조직화학염색 분석은 다변수 분석에서 임상 결과와 유의한 관련이 있는 유전자에서 수행되었다. 이 유전자들을 이용하여 로지스틱 회귀 분석법과 딥 러닝을 이용하여 공격적인 성향을 갖고 있는 투명 세포 신세포암 예측 모델을 개발하였다. FOXC2, PBRM1 및 BAP1 발현 수준은 단변량 분석 및 다변량 분석에서 비 공격적 투명 세포 신세포암에서보다 공격적 투명 세포 신세포암에서 유의하게 낮았다. 면역조직화학염색 분석에서는 공격적 투명 세포 신세포암에서 FOXC2, PBRM1 및 BAP1 발현의 유의하게 낮았다. 면역조직화학 분석 결과와 qRT-PCR를 이용하여 공격적 성향을 나타내는 투명 세포 신세포암 예측 모델을 로지스틱 회귀 분석법 및 딥 러닝을 사용하여 개발하였다. 곡선 아래 면적 (AUC)은 각각 0.760 및 0.796, 정확도는 0.759 및 0.852 였다. 본 연구에서 확인 된 바이오 마커와 개발된 예측 모델을 사용하면 공격적 성향을 띄고 있는 임상 T1 병기 투명 세포 신세포암 환자를 예측하는데 도움이 될 수 있으며 나아가 임상 치료 결정에 도움을 줄 것으로 생각된다. Some early-stage clear cell renal cell carcinomas (ccRCCs) of ≤7 cm are associated with a poor clinical outcome. In this study, we investigated molecular biomarkers associated with aggressive clinical T1 stage ccRCCs of ≤7 cm, which were used to develop a risk prediction tool toward guiding the decision of treatment. Among 1,069 nephrectomies performed for ccRCC of ≤7 cm conducted between January 2008 and December 2014, 177 cases with available formalin-fixed paraffin-embedded tissue were evaluated. An aggressive tumor was defined as a tumor exhibiting synchronous metastasis, recurrence, or leading to cancer-specific death. Expression levels of six genes (FOXC2, CLIP4, PBRM1, BAP1, SETD2, and KDM5C) were measured by reverse-transcription polymerase chain reaction (qRT-PCR) and their relation to clinical outcomes was investigated. Immunohistochemistry was performed to validate the expression profiles of selected genes significantly associated with clinical outcomes in multivariate analysis. Using these genes, we developed a prediction model of aggressive ccRCC based on logistic regression and deep-learning methods. FOXC2, PBRM1, and BAP1 expression levels were significantly lower in aggressive ccRCC than non-aggressive ccRCC both in univariate and multivariate analysis. The immunohistochemistry result demonstrated the significant downregulation of FOXC2, PBRM1, and BAP1 expression in aggressive ccRCC. Adding immunohistochemical staining results to qRT-PCR, the aggressive ccRCC prediction models had the area under the curve (AUC) of 0.760 and 0.796 and accuracy of 0.759 and 0.852 using the logistic regression method and deep-learning method, respectively. Use of these biomarkers and the developed prediction model can help stratify patients with clinical T1 stage ccRCC.