Finding a predictive gene signature in pancreatic cancer using gene expression

Abstract

PDAC is one of the most aggressive human cancers with a 5-year overall survival rate lower than 10%. At the time of diagnose, it is already too late for many patients who can't benefit from surgical procedure or chemotherapy. The objective of the present work is to study the gene expression profiles from different perspectives, and generate several signatures with predictive power. This could allow physicians to improve prognosis and find better treatments according to each patient. The biological processes where the genes in these signatures participate were studied, showing that most of the genes are related to cellular and metabolic processes. The survival analysis with Kaplan-Meier Plotter showed that many of these genes had a significant correlation with survival in pancreatic cancer. Finally, the predictive power of the different signatures was assessed using a Machine Learning algorithm. Specifically, several Random Forest models were trained and evaluated with different configurations. The best accuracy (62%) was obtained with the common signature, which included the intersection of the genes in the signatures of each of the groups studied, Treatment vs outcome and Gene expression vs outcome.

El PDAC es uno de los cánceres humanos más agresivos, con una tasa de supervivencia global a 5 años inferior al 10%. En el momento del diagnóstico, ya es demasiado tarde para muchos pacientes que no pueden beneficiarse del procedimiento quirúrgico o de la quimioterapia. El objetivo del presente trabajo es estudiar los perfiles de expresión génica desde diferentes perspectivas, y generar varias firmas con poder predictivo. Esto podría permitir a los médicos mejorar el pronóstico y encontrar mejores tratamientos en función de cada paciente. Se estudiaron los procesos biológicos en los que participan los genes de estas firmas, mostrando que la mayoría de los genes están relacionados con procesos celulares y metabólicos. El análisis de supervivencia con Kaplan-Meier Plotter mostró que muchos de estos genes tenían una correlación significativa con la supervivencia en el cáncer de páncreas. Por último, se evaluó el poder predictivo de las diferentes firmas mediante un algoritmo de aprendizaje automático. En concreto, se entrenaron y evaluaron varios modelos Random Forest con diferentes configuraciones. La mejor precisión (62%) se obtuvo con la firma común, que incluía la intersección de los genes en las firmas de cada uno de los grupos estudiados, Tratamiento vs resultado y Expresión génica vs resultado.

El PDAC és un dels càncers humans més agressius, amb una taxa de supervivència global a 5 anys inferior al 10%. En el moment del diagnòstic, ja és massa tarda per a molts pacients que no poden beneficiar-se del procediment quirúrgic o de la quimioteràpia. L'objectiu del present treball és estudiar els perfils d'expressió gènica des de diferents perspectives, i generar diverses signatures amb poder predictiu. Això podria permetre als metges millorar el pronòstic i trobar millors tractaments en funció de cada pacient. Es van estudiar els processos biològics en els quals participen els gens d'aquestes signatures, mostrant que la majoria dels gens estan relacionats amb processos cel·lulars i metabòlics. L'anàlisi de supervivència amb Kaplan-*Meier Traçador va mostrar que molts d'aquests gens tenien una correlació significativa amb la supervivència en el càncer de pàncrees. Finalment, es va avaluar el poder predictiu de les diferents signatures mitjançant un algorisme d'aprenentatge automàtic. En concret, es van entrenar i van avaluar diversos models Random Forest amb diferents configuracions. La millor precisió (62%) es va obtenir amb la signatura comuna, que incloïa la intersecció dels gens en les signatures de cadascun dels grups estudiats, Tractament vs resultat i Expressió gènica vs resultat.