Kann ein neues Modell das Überleben bei Leberkrebs besser vorhersagen?
Leberkrebs, auch bekannt als hepatozelluläres Karzinom (HCC), ist eine der häufigsten Ursachen für krebsbedingte Todesfälle weltweit. In China stellt die Krankheit eine besondere Herausforderung dar, da hohe Raten von Hepatitis-B-Virusinfektionen die Entstehung von Leberkrebs begünstigen. Im Jahr 2022 wurden über 400.000 neue Fälle und Todesfälle prognostiziert. Die aggressive Natur der Krankheit, späte Diagnosen und hohe Rückfallraten machen es dringend notwendig, bessere Werkzeuge zur Vorhersage des Krankheitsverlaufs zu entwickeln.
Neue Forschungen haben gezeigt, dass RNA-bindende Proteine (RBPs, RNA-binding proteins) eine entscheidende Rolle bei der Krebsentwicklung spielen. Diese Proteine regulieren Prozesse, die nach der Bildung von RNA ablaufen, wie zum Beispiel die Stabilität, Übersetzung und Lokalisierung von RNA. Bislang gab es jedoch keine systematische Untersuchung, wie RBPs den Verlauf von Leberkrebs beeinflussen. Eine aktuelle Studie hat diese Lücke geschlossen und ein neues Modell entwickelt, das auf RBPs basiert, um das Überleben von Patienten mit Leberkrebs vorherzusagen.
Identifizierung von veränderten RBPs bei Leberkrebs
Die Studie analysierte Daten aus RNA-Sequenzierungen von 374 Leberkrebsgeweben und 50 normalen Leberproben aus der TCGA-Datenbank (The Cancer Genome Atlas). Mit Hilfe einer speziellen Software namens limma wurden 82 RBPs identifiziert, die in Leberkrebsgeweben im Vergleich zu normalen Geweben unterschiedlich exprimiert waren. Von diesen waren 56 RBPs stärker aktiv und 26 weniger aktiv. Zu den stärker aktiven RBPs gehörten EZH2, SMG5 und EIF5A2, während AZGP1 und RCL1 zu den weniger aktiven RBPs zählten. Diese Proteine könnten eine wichtige Rolle bei der Entstehung und Entwicklung von Leberkrebs spielen.
Funktionelle Analyse der RBPs
Eine genauere Untersuchung zeigte, dass die stärker aktiven RBPs vor allem mit Prozessen wie dem Abbau von RNA, der Regulation der Übersetzung und dem Stoffwechsel von mRNA in Verbindung stehen. Die weniger aktiven RBPs waren dagegen an der Lokalisierung von RNA und der Zusammenstellung von Ribonukleoprotein-Komplexen beteiligt. Weiterhin zeigte eine Analyse von biologischen Pfaden, dass die stärker aktiven RBPs in Pfaden wie der mRNA-Überwachung und der Regulation von microRNAs in Krebs eine Rolle spielen. Die weniger aktiven RBPs waren hingegen in Pfaden aktiv, die mit Virusinfektionen wie Hepatitis C und Influenza A zusammenhängen. Dies deutet darauf hin, dass virale Mechanismen bei der Entstehung von Leberkrebs eine Rolle spielen könnten.
Entwicklung eines Risikobewertungsmodells
Um ein Modell zur Vorhersage des Überlebens von Patienten zu entwickeln, wurden zunächst 28 RBPs identifiziert, die mit der Gesamtüberlebenszeit (OS, overall survival) in Verbindung stehen. Mit einer speziellen Methode namens LASSO-Regression (Least Absolute Shrinkage and Selection Operator) wurden diese auf acht zentrale RBPs reduziert: EZH2, SMG5, RCL1, BARD1, EIF5A2, AZGP1, PPARGC1A und NR0B1.
Ein Risikoscore wurde basierend auf den Expressionswerten dieser Proteine berechnet:
Risikoscore = (0,221 × EZH2-Expression) + (0,190 × SMG5-Expression) + (−0,0170 × RCL1-Expression) + (0,154 × BARD1-Expression) + (0,130 × EIF5A2-Expression) + (−0,0148 × AZGP1-Expression) + (−0,151 × PPARGC1A-Expression) + (0,222 × NR0B1-Expression).
Patienten wurden anhand des mittleren Risikoscores in Hochrisiko- und Niedrigrisikogruppen eingeteilt. Die Analyse zeigte, dass Patienten in der Hochrisikogruppe eine deutlich schlechtere Überlebenszeit hatten als die in der Niedrigrisikogruppe. Dies wurde in einer unabhängigen Datensammlung (GSE14520) bestätigt, was die Zuverlässigkeit des Modells unterstreicht.
Klinische Bestätigung und Entwicklung eines Nomogramms
Um das Modell klinisch zu überprüfen, wurden 66 Leberkrebsgewebe und 21 normale Leberproben mit einer Methode namens qRT-PCR (quantitative real-time PCR) untersucht. Dabei wurde bestätigt, dass EZH2, SMG5 und EIF5A2 in den Krebsgeweben stärker aktiv waren, während AZGP1 und RCL1 weniger aktiv waren.
Ein Nomogramm, das den Risikoscore, das Tumorstadium (TNM-Stadium) und das Alter der Patienten berücksichtigte, zeigte eine hohe Genauigkeit bei der Vorhersage des Überlebens nach 1, 3 und 5 Jahren. Dieses Werkzeug könnte Ärzten helfen, den Krankheitsverlauf besser einzuschätzen und die Behandlung entsprechend anzupassen.
Biologische und klinische Bedeutung der RBPs
Die Analyse der Überlebensdaten zeigte, dass einige der RBPs mit einem schlechteren Überleben verbunden waren, während andere einen schützenden Effekt hatten:
- Hochrisiko-Marker: EZH2, SMG5, BARD1, EIF5A2 und NR0B1 waren mit einem schlechteren Überleben verbunden. EZH2 ist ein bekanntes Krebsgen, das die Ausbreitung von Tumoren fördert.
- Schutz-Marker: AZGP1, PPARGC1A und RCL1 waren mit einem besseren Überleben verbunden. AZGP1 spielt eine Rolle im Fettstoffwechsel und könnte Tumore unterdrücken.
Besonders interessant ist, dass SMG5, PPARGC1A und RCL1 bisher kaum im Zusammenhang mit Leberkrebs untersucht wurden. Diese Proteine könnten neue Ansatzpunkte für die Forschung und die Entwicklung von Therapien bieten.
Grenzen und zukünftige Forschung
Obwohl das Modell vielversprechende Ergebnisse lieferte, gibt es einige Einschränkungen. Zum Beispiel waren die Expressionswerte von BARD1, NR0B1 und PPARGC1A in den Geweben sehr niedrig, was die statistische Aussagekraft beeinträchtigte. Zudem muss das Modell in größeren und ethnisch diverseren Gruppen überprüft werden.
Zukünftige Studien sollten die genauen Funktionen der neu identifizierten RBPs untersuchen, um ihre Rolle bei der Entstehung und Entwicklung von Leberkrebs besser zu verstehen.
Fazit
Diese Studie stellt ein neues Modell vor, das auf RNA-bindenden Proteinen basiert und das Überleben von Patienten mit Leberkrebs vorhersagen kann. Das Modell könnte Ärzten helfen, die Behandlung besser zu planen und die Überlebenschancen der Patienten zu verbessern. Gleichzeitig eröffnet die Entdeckung neuer RBPs spannende Möglichkeiten für die weitere Erforschung von Leberkrebs und die Entwicklung gezielter Therapien.
doi.org/10.1097/CM9.0000000000002232
For educational purposes only.