بررسي نقش بيوماركري ژن ها در تميز دادن نمونه هاي سرطاني متاستازي و اوليه از بافت نرمال در سرطان پروستات

STUDY OF GENES AS BIOMARKERS IN DISTINGUISH CANCEROUS FROM NORMAL TISSUE SAMPLES IN PROSTATE CANCER

يش‌زمينه و هدف: سرطان پروستات دومين سرطان شايع در مردان در سراسر جهان است. شناسايي بيوماركرهاي حساس و اختصاصي در بافت و سرم، براي كاهش مرگ‌ومير سرطان پروستات از اهميت زيادي برخورداراست. ازآنجايي‌كه تشخيص زودهنگام سرطان نقش مهمي در درمان آن دارد، در اين بررسي سعي شده است ژن‌هايي را كه مي‌توانند به‌صورت بالقوه در غربالگري زودهنگام سرطان پروستات مؤثر باشند شناسايي نمايند. مواد و روش‌ كار: در اين بررسي داده‌هاي بيان ژن‌ها در نمونه‌هاي سرطاني و نمونه‌هاي نرمال پروستات از پايگاه داده NCBI دريافت و با بررسي سطح بيان ژن‌ها در اين نمونه‌ها و رسم منحني ROC ژن‌هاي داراي ارزش غربالگري شناسايي گرديدند و با استفاده از رگرسيون لجستيك مدل مناسب جهت غربالگري نمونه‌هاي سرطاني از نمونه‌هاي نرمال طراحي گرديد. يافته‌ها: با استفاده از رگرسيون لجستيك دو مدل بر اساس افزايش و يا كاهش بيان ژن‌ها طراحي گرديد؛ كه براي مدل اول سطح زير منحي و ميزان حساسيت و اختصاصيت به ترتيب برابر 0.968، 0.911 و 0.914 و براي مدل دوم برابر 0.991، 0.951 و 0.956 مي‌باشد. بحث و نتيجه‌گيري: با توجه به ميزان بالاي حساسيت و اختصاصيت مدل‌هاي طراحي‌شده، ژن‌هاي بررسي‌شده داراي توان بالقوه جهت غربالگري سرطان پروستات در مراحل اوليه و مراحل متاستازي سرطان مي‌باشند.

Background & Aims: Prostate cancer (PCa) is the second most common cancer in men worldwide. The identification of sensitive and specific biomarkers in tissue and serum is of utmost importance to reduce the mortality of prostate cancer. Since that, early detection of cancer has an important role in treatment, in this study we tried to identify genes that could potentially effective in early screening for prostate cancer. Using logistic regression, suitable model to screen tumor samples from normal samples was designed. Materials & Methods: In this study, gene expression data of metastatic and non-metastatic cancer samples and normal prostate samples were collected from the NCBI database. By examining the expression level of genes in these samples, valuable genes for screening were identified. Results: Using logistic regression two model were designed based on the increase or decrease in the expression of genes. The Area under the curve, sensitivity and specificity for the first model were, respectively, 0.968, 0.911 and 0.914 and for the second model 0.991, 0.951 and 0.956, respectively. Conclusion: Due to the high value of sensitivity and specificity in the designed models, studied Genes have the potential for screening prostate cancer in the early stages and metastasis stages of cancer.