فصلنامه نفس

چکیده

زمینه و هدف: سارکوم بافت نرم (STS) یک سرطان نادر با منشا مزانشیمی است که در کودکان 15 درصد و در بزرگسالان 1 درصد مرگ‌ومیر ناشی از سرطان را ایجاد می‌کند. این سرطان به دلیل چالش‌های تشخیصی معمولاً دیر شناسایی می‌شود و با تشخیص دیرهنگام به پیشرفت بیماری منجر می‌شود. نرخ بقاء پنج‌ساله STS برابر با 65 درصد است که برای سارکوم‌های با درجه بالا این نرخ به 10 درصد کاهش می‌یابد. هدف این مطالعه شناسایی ژن‌های پیش‌آگهی و تشخیصی در STS با استفاده از روش‌های بیوانفورماتیک و یادگیری عمیق است.

روش‌ها: در این مطالعه داده‌های RNA-Seq از 261 نمونه سارکوم بافت نرم (STS) از پایگاه داده TCGA شامل 125 نمونه توموری و 128 نمونه نرمال به همراه اطلاعات بالینی بیماران تحلیل گردید. داده‌ها پس از پیش‌پردازش با نرم‌افزار R و بسته‌های Limma و edgeR نرمال‌سازی شدند. ژن‌های بیان افتراقی (DEGs) با معیارهای |logFC|≥1.5 و P<0.05 شناسایی شدند. برای شناسایی ژن‌های کلیدی از روش‌های یادگیری ماشین (ML) و یادگیری عمیق (DL) استفاده گردید. عملکرد مدل‌ها با شاخص‌های AUC، دقت، F1-Score، R² و ماتریس سردرگمی ارزیابی شد. همچنین، تحلیل‌های غنی‌سازی مسیر (GO و KEGG) و شبکه‌های برهم‌کنش پروتئین-پروتئین (PPI) انجام شد.

یافته‌ها: در مجموع 5204 ژن بیان افتراقی بین بافت‌های توموری و نرمال شناسایی شد. از میان این ژن‌ها، 16 ژن با بیان افزایشی شامل HIST1H1E، CARTPT، MAGEA8، HIST1H4E، RPA4 و ANGPTL3 با کاهش بقاء کلی بیماران ارتباط داشتند. در مقابل، 11 ژن دیگر مانند LECT2، ADAM21P1، GDF7، APOM و PIPOX با افزایش بقاء کلی بیماران مرتبط بودند. تحلیل ROC نشان داد که ژن A1CF به عنوان یک نشانگر زیستی مستقل با AUC=0.70 قدرت تمایز بالایی دارد. همچنین ترکیب‌های A1CF-ATP6V0D2 (AUC=0.743) و A1CF-LECT2 (AUC=0.796) قدرت تشخیصی بهتری نسبت به تک‌ژن ارائه دادند.

نتیجه‌گیری: مطالعه حاضر نشان داد که ژن A1CF و ترکیبات A1CF-ATP6V0D2 و A1CF-LECT2 به عنوان بیومارکرهای بالقوه برای تشخیص و پیش‌آگهی سارکوم بافت نرم (STS) شناسایی شدند. این یافته‌ها نشان‌دهنده پتانسیل استفاده از بیوانفورماتیک و یادگیری ماشین در تشخیص زودهنگام و درمان شخصی‌شده بیماران است.