在癌症的临床前模型中用于候选生物标志物检测的等级集群分析和非线性混合效应建模
David Hodson1, Hitesh Mistry1, James Yates2
1Division of Pharmacy and Optometry, Faculty of Biology, Medicine and Health, Stopford Building, University of Manchester, Manchester M13 9PT, UK.
概括
这项研究使用了非线性混合效应建模和等级集群分析来识别与瘤对放射治疗反应相关的生物标志物. 像CD8+ Ki67 MFI和自然杀手细胞密度这样的关键生物标志物预测了临床前癌症模型中的生存率.
科学领域:
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 生物统计学 生物统计学
背景情况:
- 临床前癌症模型对于评估治疗反应和生物标志物调节至关重要.
- 检测分子生物标志物的挑战包括动物间的变异性和有限的纵向数据.
研究的目的:
- 评估临床前癌症模型在评估治疗反应中的转化效益.
- 确定影响对放射治疗和联合疗法的反应的候选生物标志物.
主要方法:
- 非线性混合效应建模 (NLME) 分析了基于7日后 (DD7) 瘤生长率的瘤生长数据.
- 考克斯回归证实了DD7和存活率之间的关联.
- 层次集群分析 (HCA) 确定了候选生物标志物,并使用NLME进行了验证.
主要成果:
- 考克斯回归证实了DD7和存活率之间的显著关联.
- 在接受RT治疗的小鼠中,HCA和NLME发现了DD7和CD8+ Ki67 MFI之间的显著关联.
- 在接受RT治疗的小鼠中,DD7和自然杀手细胞密度之间也发现了显著的关联.
结论:
- NLME和HCA为评估MC38综原性瘤模型中的放射治疗效应提供了新的方法.
- 需要进一步的研究来证实组合疗法治疗小鼠中的生物标志物相关性.
