FACULTEIT GENEESKUNDE EN GEZONDHEIDSWETENSCHAPPEN
Academiejaar 2009 - 2010
GENEXPRESSIE PROFILERING IN BORSTKANKER: REEDS BRUIKBAAR IN DE DAGELIJKSE PRAKTIJK?
Eveline DECOSTER
Promotor: Prof. Dr. Prof. Dr. V. Cocquyt
Scriptie voorgedragen in de 2de Master in het kader van de opleiding tot
MASTER IN DE GENEESKUNDE
Toelating tot bruikleen
I
Voorwoord Bij het voltooien van deze scriptie zou ik graag de mensen willen bedanken zonder wie ik dit niet had kunnen realiseren. Graag een woordje van dank Aan Prof. Dr. V. Cocquyt, Promotor van deze thesis Voor de wetenschappelijke en taalkundige ondersteuning, begeleiding en toelichting. Aan Prof. Dr. L. Vakaet, Sectorvoorzitter KOS (Klinisch Ondersteunende Sector) Voor de goede raad en de nodige kritische invalshoek. Aan Dr. E. Deschepper, cel biostatistiek Voor het verduidelijken van de statistische termen. Aan K. Mareels, medewerkster Biomedische Bibliotheek Gent Voor het inwijden in de geheimen van Endnote. Aan mijn ouders Voor de raad, de steun, en het eindeloze geduld. Aan Mevr. L. Verreth, decanaat Voor het in goede banen leiden van elk aspect van dit traject
II
Gebruikte afkortingen AFSSAPS
L’Agence française de sécurité sanitaire des produits de santé
AJCC
American Joint Committee on Cancer
ASCO
American Society of Clinical Oncology
CAF
Antracycline- gebaseerde chemotherapie
CBO
Centraal BegeleidingsOrgaan
cDNA
copy DNA
CHDH
Choline dehydrogenase
CLIA
Clinical Labaratory Improvement Act
CMF
Cyclophosphamide, Methotrexaat en Fluorouracil
DNA
Desoxyribonucleïnezuur
ECOG
Eastern Cooperative Oncology Group
EORTC
European Organisation for Research and Treatment of Cancer
ER
Estrogen receptor
FDA
Food and drug administration
FFPE
Formalin-Fixed, Paraffin-Embedded
GGI
Genomic grade index (genomische graad index)
HER2
Human Epidermal growth factor Receptor 2
H/I
HOXB13/ IL17BR
HOXB13
Homeobox domein- bevattend eiwit
HR
Hazard ratio
ICER
Incrementele kosteneffectiviteitratio
IGS
Ivasiviteit Gen Signatuur
IHC
Immunohistochemie
IL17BR
Interleukin 17 receptor B
ISREC
Institut Suisse de Recherche Expérimentale sur le Cancer
Laser
Light amplification by stimulated emission of radiation
MAQC
Microarray Quality Control
MF
Methotrexaat en Fluorouracil
MGI
Moleculaire Graad Index
MIAME
Minimal Information About a Microarray Expreriment
MINDACT
Microarray In Node negative and 0 to 3 positive lymp node Disease may Avoid ChemoTherapy
mRNA
messenger RNA
n
aantal
III
NCCN
National Comprehensive Cancer Network
NIH
National Institutes of health
NKI
Nederlands Kanker Instituut
NPI
Nottingham Prognostic Index
NPW
Negatieve predictieve waarde
N0
Lymfeklier negatief
OR
Odds Ratio
PPW
Positieve Predictieve Waarde
P - waarde
Overschrijdingskans
PR
Progesteron receptor
pCR
pathologisch Complete Respons
Q-RT-PCR
kwantitatieve Reverse transcriptase -polymerase kettingreactie
QALY
Quality Adjusted Life Year
RASTER
MicroarRAy PrognoSTics in Breast CancER
RCB
Residual Cancer Burden
REMARK
REporting recommendations for tumor MARKer prognostic studies
RNA
Ribonucleïnezuur (Ribo Nucleic Acid)
RR
Relatief Risico
RS
Recurrentie Score
TAILORx
Trial Assigning IndividuaLized Options for Treatment
TBCI
The Breast cancer Intergroup (of North America)
T/FAC
pacliTaxel/5-Fluorouracil, Adriamycine & Cyclophosphamide
TransATAC
Trans-Anastrazole or Tamoxifen Alone or in Combination
TRANSBIG
Translationeel onderzoek door de Breast International Group
VS
Verenigde Staten
IV
Inhoudstafel
TOELATING TOT BRUIKLEEN .......................................................................................................I VOORWOORD.................................................................................................................................... II GEBRUIKTE AFKORTINGEN........................................................................................................III INHOUDSTAFEL................................................................................................................................ V LIJST DER FIGUREN ..................................................................................................................... VII LIJST DER TABELLEN.................................................................................................................VIII ABSTRACT ........................................................................................................................................... 1 INLEIDING ........................................................................................................................................... 3 METHODOLOGIE .............................................................................................................................. 6 RESULTATEN...................................................................................................................................... 8 1. Wat is genexpressie profilering?.................................................................................................. 8 1.1 Genexpressie profilering techniek ............................................................................................ 8 DNA-microarrays....................................................................................................................... 8 RT-PCR ...................................................................................................................................... 9 1.2 Genexpressie signatuur ontwikkelingsstudies ........................................................................ 11 1.3 Classificerende genexpressie signaturen ................................................................................ 12 1.4 Moleculaire classificatie ......................................................................................................... 13 2. Welke (gevalideerde) genexpressie profielen staan reeds ter beschikking? .......................... 14 2.1 De 70 genen signauur - Mammaprint ..................................................................................... 14 Ontwikkeling............................................................................................................................. 14 Prognostische waarde .............................................................................................................. 15 Klinische en economische impact............................................................................................. 16 Besluit....................................................................................................................................... 17 2.2 De 76 genen signatuur - Rotterdam ........................................................................................ 19 Ontwikkeling............................................................................................................................. 19 Prognostische waarde .............................................................................................................. 19 Besluit....................................................................................................................................... 20 2.3 De 21 genen signatuur- Oncotype DX.................................................................................... 22 Ontwikkeling............................................................................................................................. 22 Prognostische waarde .............................................................................................................. 22 Predictieve waarde voor adjuvante chemotherapie................................................................. 23 Predictieve waarde voor hormonale therapie.......................................................................... 24 Klinische en economische impact............................................................................................. 25 Hormoonreceptor status........................................................................................................... 26
V
Besluit....................................................................................................................................... 26 2.4 De borstkanker genexpressie ratio –HOXB13/IL17R ............................................................ 30 Ontwikkeling............................................................................................................................. 30 Prognostische waarde .............................................................................................................. 30 Predictieve waarde................................................................................................................... 31 Aanpassing ............................................................................................................................... 32 Besluit....................................................................................................................................... 32 2.5 De genexpressie graad index (GGI) – 97 genen genomische graad signatuur ....................... 34 Ontwikkeling............................................................................................................................. 34 Prognostische waarde .............................................................................................................. 35 Predictieve waarde................................................................................................................... 35 MapQuant TM Genomic Grade ............................................................................................... 35 Besluit....................................................................................................................................... 35 2.6 Overige gensignaturen............................................................................................................ 37 3. Wat zijn de toekomstperspectieven? ......................................................................................... 38 MINDACT.................................................................................................................................... 39 TAILORx...................................................................................................................................... 41 DISCUSSIE.......................................................................................................................................... 43 Heterogeniteit tussen en binnen genexpressie signaturen............................................................. 43 Vergelijken en integreren van verschillende gensignaturen ......................................................... 44 Klinisch voordeel en kosteneffectiviteit ....................................................................................... 45 Invloed van heterogene testpopulaties en genetische variabiliteit................................................ 46 Reproduceerbaarheid, standaarden en databases .......................................................................... 47 Technische performantie .............................................................................................................. 47 Evoluerende behandelingen.......................................................................................................... 48 Vroege en late metastasen ............................................................................................................ 48 Combinatie van klinische en genomische data............................................................................. 49 SLOTBESCHOUWING ..................................................................................................................... 51 REFERENTIELIJST.......................................................................................................................... 52 BIJLAGEN .............................................................................................................................................I Bijlage I: TNM classificatie...............................................................................................................I Bijlage II: Prognostische en/of predictieve factoren ..................................................................... V Bijlage III: Overlevingspercentages ..............................................................................................VI Bijlage IV: Toestemming reprint fig. 2 ....................................................................................... VII
VI
Lijst der figuren FIGUUR 1. INCORPORATIE VAN GENEXPRESSIE PROFILERING IN DE KLINISCHE PRAKTIJK ..................... 5 FIGUUR 2. TECHNOLOGIEËN GEBRUIKT BIJ GENEXPRESSIE ANALYSE................................................... 10 FIGUUR 3. SIGNATUUR ONTWIKKELINGSSTRATEGIEËN. ....................................................................... 12 FIGUUR 4. PROGNOSTISCHE EN PREDICTIEVE FACTOREN...................................................................... 13 FIGUUR 5. MAMMAPRINT EN ADJUVANTE BEHANDELING. ................................................................... 17 FIGUUR 6. RECURRENTIE SCORE EN METASTASE RECURRENTIE RATIO OP 10 JAAR. ............................ 24 FIGUUR 7. ONCOTYPE DX EN ADJUVANTE BEHANDELING.................................................................... 27 FIGUUR 8. MINDACT DESIGN. ............................................................................................................. 40 FIGUUR 9. TAILORX DESIGN. ............................................................................................................... 42 FIGUUR 10. INTEGRATIE VAN VERSCHILLENDE INFORMATIEBRONNEN BIJ HET BEPALEN VAN PROGNOSE EN BEHANDELING........................................................................................................ 50
VII
Lijst der tabellen TABEL 1. OVERZICHT 70 GENEN SIGNATUUR / MAMMAPRINT STUDIES................................................ 18 TABEL 2. OVERZICHT 76 GENEN SIGNATUUR STUDIES .......................................................................... 21 TABEL 3. OVERZICHT 21 GENEN SIGNATUUR STUDIES .......................................................................... 28 TABEL 4. OVERZICHT H/I RATIO STUDIES ............................................................................................. 33 TABEL 5. OVERZICHT GGI STUDIES ...................................................................................................... 36 TABEL 6. OVERZICHT COMMERCIEEL BESCHIKBARE GENOMISCHE TESTEN BIJ PATIËNTEN MET BORSTKANKER. ............................................................................................................................. 38
VIII
ABSTRACT
Inleiding
De recent ontwikkelde DNA microarrays en gerelateerde technologieën bieden perspectieven tot meer gedetailleerde profilering van tumorcellen. Dit leidde tot een nieuwe moleculaire classificatie van borstkanker. Met het groeiende aanbod van effectieve hormonale en cytotoxische agentia en nieuwe gerichte systemisch adjuvante behandelingsstrategieën stelt men zich echter de vraag welke behandeling het meest aangewezen is voor de individuele patiënt in de klinische praktijk. Prognostische en predictieve genexpressie signaturen zouden de mogelijkheid bieden de therapie te richten op deze patiënten die er daadwerkelijk voordeel bij hebben. Zo zou men overbodige behandelingen kunnen vermijden. Verscheidene genexpressie profielen werden reeds ontwikkeld en sommigen hiervan zijn tevens gecommercialiseerd. Of deze testen reeds efficiënt bruikbaar zijn in de dagelijkse medische realiteit blijft echter een punt van debat.
Methodologie
Aan de hand van een literatuurstudie biedt deze scriptie een overzicht van de bestaande genexpressie profielen. Hierbij wordt voornamelijk de wetenschappelijke validatie en klinische relevantie belicht. Met behulp van een internet database werd een inventarisatie van de bestaande wetenschappelijke evidentie gemaakt om zo een objectief antwoord te formuleren op volgende onderzoeksvragen: Wat is genexpressie profilering? Welke (gevalideerde) genexpressie profielen staan reeds ter beschikking? En wat zijn de toekomstperspectieven van deze vernieuwende techniek? Tot slot wordt in de discussie de toepasbaarheid van genexpressie profilering in de hedendaagse klinische praktijk aangekaart.
Resultaten
Moleculaire profilering biedt de mogelijkheid tot simultane analyse van vele duizenden individuele genen in een cel. Incorporatie van deze technologie in de praktijk verstrekt informatie op 3 verschillende niveaus. (1) Genexpressie profilering zorgt voor een beter begrip van de biologie van borstkanker. Dit biedt de mogelijkheid tot het classificeren van tumoren volgens onder meer ER en HER2 status. Zo kan men tevens nieuwe doelwitten identificeren voor gerichte therapie (zoals PIK3CA inhibitoren). (2) Deze techniek heeft een prognostische waarde bij het bepalen welke patiënten kunnen gespaard blijven van potentieel toxische therapie. (3) Tot slot vormt genexpressie profilering een predictief hulpmiddel bij het kiezen van de meest optimale behandeling door het
1
voorspellen van de gevoeligheid voor endocriene therapie, chemotherapie, en eventuele gerichte therapieën op nieuwe doelwitten. Tot de meest gevalideerde prognostische en predictieve profielen behoren de 70 genen signatuur, de 76 genen signatuur, de 21 genen signatuur, de borstkanker genexpressie ratio en de genexpressie graad index. Van de vele ontwikkelde genexpressie signaturen zijn tot op heden slechts vier prognostische borstkankertesten commercieel beschikbaar: Oncotype DX, MammaPrint, Theros en MapQuant DX. De afwezigheid van prospectieve, gerandomiseerde vergelijkingen tussen genomische testen en klinische factoren bij het maken van klinische beslissingen is echter opmerkelijk. Twee zulke grote prospectieve, gerandomiseerde klinische studies zijn momenteel lopende om de klinische bruikbaarheid van MammaPrint (MINDACT studie) en Oncotype DX (TAILORx studie) te testen. Deze willen nagaan of signaturen kunnen gebruikt worden bij het bepalen van de meest geschikte therapie voor de individuele borstkankerpatiënt. De resultaten van deze studies zouden waardevolle informatie verschaffen betreffende het gebruik van genexpressie signaturen bij het richten van borstkanker behandeling in de praktijk. Tevens kan het verheldering verschaffen voor een aantal belangrijke problemen op logistiek, technisch en analytisch vlak (zoals deze gerelateerd aan de behandeling van het weefsel, de reproduceerbaarheid en de kwaliteitscontrole).
Conclusie
Genexpressie profilering houdt een belofte in tot gepersonaliseerde behandeling bij vrouwen met vroeg stadium borstkanker. Ondanks het grote potentieel zullen borstkanker diagnose en behandelingsbeslissingen grotendeels blijven steunen op klassieke histopathologische en klinische parameters tot een aantal cruciale problemen opgehelderd zijn en bijkomende validatie bekomen wordt. Verdere optimalisatie en standaardisatie van de techniek is onontbeerlijk. Het zal een uitdaging zijn om de toenemende hoeveelheid beschikbare informatie uit genexpressie profilering om te zetten in bruikbare instrumenten die klinische beslissingen en behandelingsregimes kunnen richten op de individuele patiënt. Dit moet leiden tot een verbeterde overleving en een verminderde totale kost. Goed ontworpen klinische studies betreffende de relatie van voorspeld tot geobserveerd risico in verschillende populaties en hun incrementele bijdrage over conventionele prognostische en predictieve factoren dringen zich daarom op. Investering in deze studies dient te gebeuren indien men besparing van behandelingskosten op lange termijn wil bereiken. Genexpressie profilering testen kunnen in de toekomst de huidige prognostische en behandelingspredictieve instrumenten eerder verbeteren, dan echt vervangen.
2
INLEIDING Borstkanker is de meest voorkomende maligniteit bij vrouwen, verantwoordelijk voor niet minder dan 9.405 van de 26.933 kankerdiagnoses bij Belgische vrouwen in 2005 [1]. Bovendien neemt de incidentie nog steeds toe. De overlevingspercentages op basis van de TNM classificatie zijn op dit ogenblik echter bemoedigend (zie bijlage I, II en III). Er is een trend tot verbeterde overleving, waarbij het moeilijk is het aandeel van de recente therapeutische ontwikkelingen te bepalen ten opzichte van het overlevingsvoordeel door de vroegere detectie. Met de incorporatie van meer effectieve en minder toxische hormonale en chemotherapeutische agentia en voornamelijk met de introductie van gerichte systemisch adjuvante behandelingsstrategieën, kunnen nog verdere verbeteringen bij de behandeling van borstkanker verwacht worden. Vandaag rijst echter de vraag hoe men de behandeling het best kan afstemmen op de individuele patiënt in de klinische praktijk. Gezien de groeiende hoeveelheid nieuwe informatie en “evidence-based” data is het erg moeilijk voor de arts om met al deze gegevens een goed geïnformeerde beslissing te maken over de best mogelijke therapie. De primaire behandeling van stadium I en II borstkanker bestaat meestal uit heelkundige resectie van de primaire tumor, gevolgd door bestralingstherapie op de aangetaste borst. Na de primaire therapie kan adjuvante therapie toegediend worden om het risico op borstkanker herval te verminderen. Elk niveau van oestrogeen receptor expressie wordt als voldoende beschouwd om endocriene adjuvante therapie te verantwoorden. Overexpressie of amplificatie van HER2 is dan weer een indicatie voor anti-HER2 therapie (Trastuzumab). De beslissing om alsnog systemische chemotherapie aan de behandeling toe te voegen, wordt gemaakt door de balans tussen het risico op borstkanker herval en de nevenwerkingen van de therapie [2]. Lymfeklier positieve (N+) patiënten en een deel van de lymfeklier negatieve (N0) patiënten krijgen adjuvante chemotherapie [3]. De huidige internationale richtlijnen (zoals St. Gallen [2] en National Institutes of Health (NIH) Criteria [4]) bevelen echter meer en meer aan om binnen deze laatste groep te focussen op de patiënten die de behandeling werkelijk nodig hebben. Hoewel adjuvante systemische therapieën de ziekteherval merkelijk reduceren, bieden ze voor een deel van de patiënten geen additioneel voordeel. Deze patiënten zouden eveneens genezen zonder het gebruik van adjuvante therapie of er is toch herval ondanks de behandeling [5]. Deze tekortkomingen zijn te wijten aan beperkingen van de hedendaags geaccepteerde prognostische en predictieve factoren (zie bijlage II), die te weinig sensitiviteit en specificiteit bieden. Men is onvoldoende in staat prospectief te bepalen welke patiënten het grootste risico op herval hebben en bovendien wil een hoog risico op herval niet zeggen dat systemische therapie dit zal voorkomen.
3
De ontwikkeling van een wijd spectrum aan beschikbare therapieën voor borstkanker heeft de complexiteit van borstkankerbehandeling de laatste jaren zelfs nog doen toenemen. Niet elk behandelingsregime is namelijk evenwaardig effectief voor de individuele patiënt. De meest courant gebruikte prognostische en predictieve factoren zijn tumordiameter, histologische graad, hormoonreceptor status, HER-2 amplificatie en axillaire klier status. Deze factoren worden gecombineerd in prognostische modellen zoals de Nottingham Prognostic Index (NPI) en Adjuvant!Online [6, 7]. Zulke modellen zijn echter niet bruikbaar bij het selecteren van één chemotherapie boven de andere. Er is een variabiliteit in ziekteverloop, waarschijnlijk veroorzaakt door onderliggende moleculaire verschillen, voor klinisch en pathologisch gelijkaardige tumoren waar men geen rekening mee houdt. Dit leidt tot de huidige onder- en overbehandeling, met onnodige kosten voor zowel het individu als de gemeenschap. Dankzij de vooruitgang van moleculair biologische analyse zijn echter verscheidene genen geïsoleerd die betrokken zijn bij de ontwikkeling en progressie van borstkanker. De BRCA1 en BRCA2 genen werden geïdentificeerd als risicofactoren voor familiale borstkanker evenals vele genen gelokaliseerd op specifieke regio’s of chromosomen die frequent gedeleteerd of geamplificeerd zijn bij sporadische borstkanker. Nochtans blijft het moeilijk de cancerogenese te begrijpen met methoden die slechts een individueel gen als doel bestuderen, gezien vele causale genetische en omgevingsfactoren samenwerken bij kanker. Onderzoek naar de genomische diversiteit zoals SNP’s (single nucleotide polymorphisms), genexpressie profilering met DNA microarrays en ook de analyse van eiwitexpressie en interactie hebben daarom hoge verwachtingen gecreëerd. De ontwikkeling van gepersonaliseerde geneeskunde en moleculair gerichte medicatie wordt enthousiast geanticipeerd. De DNA microarray en gerelateerde technologieën voorzien in een opportuniteit om een meer gedetailleerde profilering van individuele tumorcellen uit te voeren. Dit heeft niet alleen geleid tot een nieuwe moleculaire classificatie van borstkanker met beter biologisch begrip, maar vormt tevens een belofte tot meer accurate risico stratificatiemethodes (zie fig. 1). Prognostische en predictieve genexpressie signaturen bieden de mogelijkheid de therapie te richten op deze patiënten die er daadwerkelijk voordeel bij hebben. Zo kan de overbodige behandelingslast voor de individuele patiënt verminderen door het vermijden van onnodige iatrogene morbiditeit.
4
Figuur 1. Incorporatie van genexpressie profilering in de klinische praktijk (Fig. aangepast uit PowerPoint presentatie van Prof. C. Sotiriou)
Vooruitgang in genexpressie profilering heeft geleid tot klinische testen die mogelijks kunnen gebruikt worden voor het bepalen van borstkanker hervalrisico en een hulpmiddel vormen tot individualisatie van de behandelingsstrategie. Van de vele ontwikkelde genexpressie signaturen zijn tot op heden reeds vier prognostische borstkankertesten commercieel beschikbaar: Oncotype DX, MammaPrint, Theros en MapQuant DX. Het gebruik van de genexpressie profilering testen en de relevantie in de klinische praktijkvoering staat echter nog steeds ter discussie. Deze sceptische houding stoelt op methodologische en analytische verschillen tussen de studies en inconsistenties in de resultaten. Genexpressie profilering mag dan een veelbelovende techniek zijn, grote prospectieve gerandomiseerde klinische studies zijn nu nodig om de klinische relevantie te staven. In de tekst die volgt, wordt de totstandkoming en huidige klinische en economische data voor de meest relevante genexpressie signaturen (al dan niet commercieel) in kaart gebracht. Hierbij worden voornamelijk de klinische toepasbaarheid, impact en toekomstperspectieven binnen de borstkankerbehandeling belicht.
5
METHODOLOGIE De doelstelling van deze scriptie is het bieden van een overzicht van de bestaande genexpressie profielen, met specifieke aandacht voor de wetenschappelijke validatie en klinische relevantie. Als methode werd gekozen voor een literatuurstudie ter inventarisatie van de bestaande wetenschappelijke evidentie om een objectief antwoord te formuleren op volgende onderzoeksvragen: 1. Wat is genexpressie profilering? 2. Welke (gevalideerde) genexpressie profielen staan reeds ter beschikking? 3. Wat zijn de toekomstperspectieven? Tot slot wordt in de discussie de toepasbaarheid van genexpressie profilering in de hedendaagse klinische praktijk aangekaart. Om inzicht te krijgen in deze vraagstelling werd in een eerste fase gestart met een PubMed zoektocht naar overzichtsartikels betreffende borstkankerbehandeling, de huidige prognostische en predictieve factoren en de techniek van genexpressie profilering. Een voordracht van Christos Sotiriou: ‘Taking gene-expression profiling to the clinic: when will molecular signatures become relevant to patient care?’, droeg eveneens bij tot een algemeen inzicht in de materie. In een tweede fase zijn, eveneens met behulp van de PubMed database, relevante studies betreffende genexpressie profielen verzameld. Deze periode van literatuuropzoeking situeert zich tussen september 2008 en september 2009. Als belangrijkste zoektermen werden “gene expression profiling” en “breast cancer” weerhouden. De zoekactie limiteerde zich tot artikels gepubliceerd in de laatste 10 jaar, beschikbaar in Engels, Frans of Nederlands. Op basis van de titel en abstract werd vervolgens beslist welke artikels al dan niet relevant zijn in het kader van deze literatuurstudie. Vervolgens is de mogelijkheid benut om de referenties en gerelateerde artikels te bekijken, waardoor andere interessante publicaties werden ontdekt volgens het zogeheten “sneeuwbaleffect”. Een verdere selectie gebeurde op basis van de publicatiedatum (recentere artikels kregen hierbij voorrang), het tijdschrift van publicatie (kwalitatieve en kwantitatieve parameters, zoals de impact factor, zijn terug te vinden op ISI-Web of Science; ‘journal citation report’ in de Citation Index) en het publicatietype. Bij evidence-based medicine is het van belang rekening te houden met de hiërarchie van de publicaties, waarbij voornamelijk artikels op basis van gerandomiseerd klinisch onderzoek de voorkeur genieten. Publicaties van dergelijk type onderzoek zijn echter (nog) niet beschikbaar binnen dit onderzoeksgebied, vanwege de ethische en technische problemen die hiermee vaak gepaard gaan. Ten slotte zijn de websites van onderzoeksorganisaties op het vlak van borstkanker (www.genomichealth.com, www.mammaprint.nl,…) geraadpleegd. Ook documenten betreffende
6
vooraanstaande congressen, zoals het San Antonio Breast Cancer Symposium (www.sabcs.org), werden in aanmerking genomen . Door middel van bovenstaande procedure zijn, rekening houdend met de eerder opgestelde onderzoeksvragen, de definitieve artikels en elektronische bronnen geselecteerd om zo tot bijgevoegde referentielijst te komen. Per signatuur zijn steeds de beschikbare relevante studies verwerkt in een tabel, als overzicht voor de geïnteresseerde lezer. De opgenomen illustraties zijn eventueel herwerkte figuren afkomstig uit artikels die tevens volgens bovenstaande methode werden gevonden. Toestemming van de auteurs is hiervoor verstrekt. In bijlage bevindt zich meer recente gegevens (verschenen in 2010) van de American Joint Committee on Cancer (AJCC).
7
RESULTATEN
1. Wat is genexpressie profilering?
1.1 Genexpressie profilering techniek Genexpressie beschrijft de graad van activiteit van een bepaald gen. Wanneer een gen in een cel tot expressie gebracht wordt, kopieert het transcriptiecomplex van die cel de DNA-sequentie van het gen tot complementaire RNA transcripten. Deze messenger RNA’s (mRNA) geven na translatie aanleiding tot eiwitten die een bepaalde functie vervullen binnen de cel (fig. 2A). Bij genexpressie analyse kwantificeert men groepen van mRNA in een weefsel. In het specifieke geval van borstkanker, wordt het chirurgisch verwijderde tumorweefsel in het labo aan pathologisch onderzoek onderworpen. Hierna isoleert men het RNA uit de kankercellen en wordt de integriteit van het verkregen materiaal geëvalueerd. Aangezien de accuraatheid van de genexpressie profilering sterk afhankelijk is van de goede kwaliteit van het RNA, maakt men best gebruik van vers of bevroren weefsel. Excisiebiopsie, maar ook een cilinderbiopsie of fijne naald aspiratie cytologie (FNAC) van het kankerweefsel kan reeds voldoende RNA opleveren. RNA uit ‘formaldehyde-fixed paraffin-embedded’ (FFPE) weefsel kan eveneens in bepaalde gevallen gebruikt worden [8]. Indien de kwaliteit afdoende is, kwantificeert men het mRNA door middel van DNA microarrays of door real-time reverse transcriptase polymerase chain reaction (RT-PCR). Deze waarden kunnen met behulp van mathematische algoritmen omgezet worden tot indexen die een prognostische en/of predictieve waarde hebben (fig. 2D) [9]. DNA-microarrays (fig. 2B)
Microarrays
vinden
onder
andere
hun
toepassing in
MammaPrint (zie
verder).
Moleculaire profilering gebaseerd op microarrays heeft voor een enorme doorbraak gezorgd omwille van de mogelijkheid tot simultane analyse van vele duizenden individuele genen in een cel; tegenwoordig is het mogelijk bijna alle gekende humane genen in één experiment te onderzoeken. DNA microarrays bestaan uit reeksen (‘arrays’) van tienduizenden microscopisch kleine spots die elk een DNA- oligonucleotide met specifieke sequentie bevatten. Deze nucleotidesequenties stemmen overeen met verscheidene DNA fragmenten van het humane genoom, en worden probes genoemd. De probes zijn gebonden aan een vaste onderlaag van glas of silicone en dit wordt beschreven als een ‘gene chip’.
8
Bij expressie profilering ondergaat het RNA, geëxtraheerd uit tumorcellen (teststaal) en normale cellen (referentiestaal), een proces van reverse transcriptase waardoor “copy DNA” (cDNA) ontstaat. Dit wordt op zijn beurt geamplificeerd, waarna men het cDNA uit het test- en referentiestaal merkt met een verschillende fluorescente kleur (de fluorofoor). Dit mengsel wordt vervolgens aangebracht op de microarrays en hybridiseert met de DNA oligonucleotiden onder gecontroleerde omstandigheden. Niet-specifieke hybridisatie verwijdert men door opeenvolgende wassingen, zodat theoretisch zowel het referentie als het test cDNA enkel hybridiseert met de sequenties van de chips die exact complementair zijn. De verhouding van de genexpressie van het teststaal ten opzichte van het referentiestaal is bepalend voor de kleur en intensiteit van elke microarrayspot. Dit kan gemeten worden door middel van een detectiesysteem op basis van een laser. Op deze wijze kan men de relatieve genexpressie van het tumorweefsel bepalen. Er bestaan ook oligonucleotide chips die niet gebruik maken van de gelijktijdige hybridisatie van het teststaal met een referentiestaal, maar waarbij de expressiehoeveelheden bepaald worden aan de hand van mathematische algoritmen. In essentie geeft de graad van fluorescentie steeds weer hoe abundant een bepaald gentranscript is [10-12]. Er zijn twee groepen oligonucleotide DNA microarrays in gebruik voor genexpressie studies. De eerste groep bestaat uit korte oligonucleotiden (25 basen) die men rechtstreeks synthetiseert op een vaste matrix door gebruik te maken van fotolithografische technologie: affymetrix. Bij de tweede groep zijn de reeksen opgebouwd uit lange oligonucleotiden (55-70 basen) die ofwel afgezet worden door een ink-jet print proces (Agilent) of gespot zijn door een robotgestuurd printproces op draagglaasjes (CodeLink). Dit is echter niet het enige onderscheid. Affymetrix gebruikt een éénkleurig detectieschema, waarbij één staal wordt gehybridiseerd per chip. Agilent gebruikt daarentegen een tweekleuren schema, waarbij dezelfde array gehybridiseerd wordt met twee verschillende stalen [13]. Specifieke voor- en nadelen zijn verbonden aan de drie verschillende technieken, alhoewel studies hebben uitgewezen dat relatief overeenstemmende data worden verkregen [14, 15]. De US Food and Drug Administration (FDA) lanceerde bovendien het Microarray Quality Control (MAQC) project. Hieraan namen 137 participanten uit 51 academische instellingen en industriële partners deel om systematisch de technische reproduceerbaarheid van microarray metingen zowel binnen en tussen laboratoria als over verschillende microarray platformen te onderzoeken. Men toonde aan dat microarray metingen sterk reproduceerbaar en voldoende betrouwbaar zijn voor gebruik bij klinische en wettelijke doeleinden [16]. Gelijkaardige resultaten werden eveneens gerapporteerd door andere onderzoekers [17]. RT-PCR (fig. 2C)
Genexpressie analyse bij Oncotype DX en H/I gebeurt op basis van RT-PCR op FFPE weefsel. Deze techniek laat toe om specifieke RNA moleculen te amplificeren en kwantificeren in ‘real-time’.
9
Het RNA, geëxtraheerd uit het tumorweefsel, onderwerpt men eerst aan DNase I behandeling. Vervolgens wordt de totale RNA hoeveelheid gemeten en de afwezigheid van DNA contaminatie geverifieerd. Van de RNA moleculen die men wil onderzoeken moeten in de eerste plaats DNA kopieën gemaakt worden door middel van reverse transcriptase. Dit DNA wordt verder geamplificeerd tijdens de polymerase ketting reactie (PCR). Specifieke fluorescente reagentia staan in voor de kwantificatie van het accumulerende DNA-product en aldus de genexpressie [9].
Figuur 2. Technologieën gebruikt bij genexpressie analyse. A. Borstkankerweefsel collectie, gevolgd door RNA preparatie en integriteitevaluatie in het centraal laboratorium van de test. B. DNA-microarray analyse ter bepaling van het genexpressie niveau. C. RT-PCR ter bepaling van het genexpressie niveau. D. Mathematische omzetting van de genexpressie niveaus in indexen ter voorspelling van ziekteherval. (Fig. afkomstig uit Marchionni et al. ( 2008) [9] met vriendelijke toestemming van Annals of Internal Medicine , zie bijlage IV)
10
1.2 Genexpressie signatuur ontwikkelingsstudies De meeste borstkanker genexpressie profilering studies kunnen ingedeeld worden in 3 groepen: klasse vergelijking, klasse voorspelling en klasse ontdekking studies [8, 11, 12]. Bij ‘klasse vergelijking’ studies vergelijkt men de expressie van specifieke groepen, die door andere kenmerken dan genexpressie worden bepaald (bv. histopathologisch). Men probeert hierbij genen te identificeren die verschillend tot expressie worden gebracht tussen de klassen. ‘Klasse voorspelling’ studies vergelijken eveneens het expressiepatroon van vooraf bepaalde groepen. Hier is echter het doel een genexpressie gebaseerde functie te ontwikkelen die accuraat kan voorspellen tot welke klasse nieuwe weefselstalen behoren. Dit type studie tracht prognostische of predictieve classificerende genexpressie signaturen te construeren (zie verder). Bij deze twee bovenstaande types van studie spreekt men over gesuperviseerde analyse. Hierbij is voorafgaande biologische of klinische kennis noodzakelijk om genen te onderscheiden die een significant verschillende distributie kennen tussen bepaalde groepen. Dit zijn de informatieve genen, welke men dient te onderscheiden van de ‘ruis-genen’. Binnen de gesuperviseerde analyses kan men nog een onderscheid maken tussen de ‘top-down’ en de ‘bottom-up’ benadering [13]. Bij top-down wordt de signatuur ontwikkeld enkel en alleen door het genexpressie patroon te correleren met een bepaalde groep (bv. goede versus slechte klinische uitkomst) zonder op voorhand enige biologische veronderstellingen te maken. Bij de ‘bottom-up’ of hypothese-gedreven benadering worden eerst genexpressie patronen gecorreleerd aan een specifiek biologisch fenotype en pas vervolgens gerelateerd aan bijvoorbeeld het verschil in overleving. De derde soort studie is de ‘klasse ontdekking’ of ‘kandidaat genen’ benadering. Hierbij tracht men nieuwe klassen te identificeren aan de hand van genexpressie patronen, ongeacht andere kenmerken. Er wordt gebruik gemaakt van een mathematische methode die stalen met gelijkaardige expressiepatronen samen groepeert, terwijl stalen met sterk verschillende genexpressie van elkaar gescheiden worden. Dit is een ongesuperviseerde hiërarchische clustering analyse. Op deze wijze kan men een innovatieve taxonomie ontwikkelen. Bij elk van deze signatuur ontwikkelingsstrategieën (zie fig. 3) is het van belang dat een goede design, krachtige statistische analyses en sterke validatie in acht worden genomen.
11
Figuur 3. Signatuur ontwikkelingsstrategieën. Voorstelling van de drie mogelijke benaderingen bij het ontwikkelen van een genexpressie signatuur: de ‘bottom-up’, ‘ top-down’ of ‘ kandidaat-genen’ strategie. (Fig. aangepast uit PowerPoint presentatie van Prof. C. Sotiriou)
1.3 Classificerende genexpressie signaturen Een classificerende genexpressie signatuur is een functie die het mogelijk maakt om tumoren in te delen in klassen gebaseerd op de expressiehoeveelheden van specifieke genen. De term ‘classificeren’ is hierbij iets te strikt, aangezien het eerder gaat over een continue risicoscore dan een echte klassentoekenning. Voor klinische toepassingen zal men echter meestal gebruik maken van vooraf vastgestelde grenswaarden (“cut-off” waarden) bij het categoriseren. De uiteindelijke genexpressie score bepaalt men aan de hand van mathematische algoritmen waarbij de relatieve expressie van de genen een gewicht toegekend krijgt [18]. Binnen de classificerende expressiesignaturen onderscheiden we prognostische en/of predictieve factoren (fig. 4) [13, 19]. Weinig tumormerkers zijn puur prognostisch of predictief, waardoor hun interpretatie bemoeilijkt wordt. Prognostische factoren geven een beeld van het metastatisch potentieel en/of het groeiritme van de tumor. Deze factoren worden gebruikt om patiënten in te delen naargelang hun kans op een goede klinische uitkomst zonder een eventuele behandeling in acht te nemen (bv. het al dan niet ontwikkelen van verre metastasen tijdens de follow-up). Dit type classificeerder wordt opgesteld door genexpressie patronen te correleren met de kliniek.
12
Predictieve factoren zijn daarentegen een maat voor de gevoeligheid (bv. chemosensitiviteit) of resistentie (bv. tamoxifen resistentie) van de tumor aan een specifieke therapie. Momenteel gebruikt men als predictieve biomerkers de hormoonreceptoren en de HER2 receptor, met excellente negatieve maar suboptimale positieve predictieve waarde voor respectievelijk respons op endocriene therapie en Trastuzumab behandeling. Predictieve signaturen worden ontwikkeld door de genexpressie data van een biopsie, afgenomen vóór de preoperatieve (neoadjuvante) systemische therapie, te correleren met de respons op een gegeven therapie [20]. Verscheidene studies hebben reeds genexpressie methodes gebruikt om signaturen op te stellen die correleren met chemo- of hormoonsensitiviteit [21-36]. Alhoewel predictoren van antikankertherapeutica kunnen ontwikkeld worden, blijven ze grotendeels suboptimaal. Grotere studies zijn nodig om de observaties te valideren, de specificiteit van het behandelingsregime te beoordelen, en de werkelijke performantie van de testen te bepalen.
Figuur 4. Prognostische en predictieve factoren. (A) Puur prognostische factor. (B) Puur predictieve factor. (Fig. aangepast uit Henry & Hayes (2006) [19])
1.4 Moleculaire classificatie Genexpressie profilering leidde niet enkel tot prognostische en/of predictieve signaturen, maar zorgde eveneens voor vernieuwende inzichten bij de borstkankerclassificatie. Deze gebeurt tot op vandaag voornamelijk op basis van histologie. Borstkanker genexpressie profilering kan vier moleculaire klassen onderscheiden; basaal type, HER2+ type, Luminaal B en Luminaal A [37-41]. Deze subgroepen correleren met de klinische karakteristieken op basis van ER en HER2 status als ook met proliferatiemerkers van histologische graad. Het basaal type correspondeert meestal met oestrogeen en progesteron ongevoelige tumoren die HER2 negatief zijn (de zogenaamde ‘triple negatieve’ tumoren). Luminaal A is voornamelijk oestrogeen sensitief en histologisch laaggradig, terwijl luminaal B meestal oestrogeen sensitief en hooggradig is . De HER2+ type tumoren vertonen amplificatie en hoge expressie van het ErbB-2 (= HER2) gen en verscheidene andere genen van het ErbB-2 amplicon.
13
2. Welke (gevalideerde) genexpressie profielen staan reeds ter beschikking?
2.1 De 70 genen signatuur - Mammaprint Ontwikkeling
Van ’t Veer et al. (2002) [42] ontwikkelde in het Nederlands Kanker Instituut van Amsterdam een 70 genen signatuur door middel van gesuperviseerde classificatie (‘top-down’). Deze DNA microarray analyse met Agilent technologie gebeurde aan de hand van 117 primaire borstkankerpatiënten (< 5cm diameter, N0, <55 jaar, zonder borstkanker genmutatie). De 70 geselecteerde genen staan in voor de regulatie van de celcyclus, invasie, metastase, angiogenese en signaaltransductie en zijn opgereguleerd bij een groep van patiënten met minder goede prognose. De signatuur bewees van significante prognostische waarde te zijn bij het voorspellen van hematogene metastasen binnen een tijdsinterval van 5 jaar, superieur aan de huidige beschikbare klinische en histopathologische prognostische factoren (zie tabel 1). De microarrays van het 70 genen profiel bevatten echter 25.000 60-meren oligonucleotiden waardoor het niet alleen zeer duur, maar ook onmogelijk is vele stalen op korte termijn te onderzoeken. Ter vereenvoudiging van het klinisch gebruik, ontwikkelde men een nieuw genexpressie profilering platform; MammaPrint (op de markt gebracht door Agendia) met aangepaste 8-pack miniarrays (Agilent Technologie). Glas et al. (2006) [43] verifieerde de prognostische waarde van deze aangepaste methode (MammaPrint) aan de hand van 162 patiëntenstalen. De classificatieresultaten met de originele microarray test vertoonden een zeer hoge correlatie met de classificatie volgens MammaPrint (zie tabel 1). Desalniettemin bestond een klein aantal stalen, met waarden dicht bij de classificatiedrempel, waarvoor een discrepantie werd bevonden tussen beide testen. Mogelijks is dit het gevolg van experimentele factoren zoals verschillen in hybridisatie protocol of van de nieuwe referentie die gebruikt werd bij MammaPrint. Een alternatieve verklaring is de data verwerkingsprocedure; ter optimalisatie van de metingprecisie wordt bij MammaPrint elk gen op de miniarray in triplicaat geprint, terwijl bij het originele platform de genen slechts eenmaal aanwezig zijn. Om deze reden wordt MammaPrint als betrouwbaarder beschouwd dan het originele platform.
14
Prognostische waarde
Van de Vijver et al. (2002) [44] valideerde het 70 genen profiel bij 295 primaire borstkankerpatiënten (< 53 jaar, graad I of II, < 5cm diameter). Een opmerkelijk verschil met de oorspronkelijke studie is de heterogeniteit van de onderzoekspopulatie op vlak van lymfeklierstatus, ER status en therapie. Men kon een sterke statistische significantie aantonen bij het voorspellen van overleving op 5 jaar, onafhankelijk van de klassieke prognostische factoren (zie tabel 1). Bovendien werd een veel hogere voorspellende waarde voor hematogene metastasen opgemerkt gedurende de eerste 5 jaar van de follow-up (HR 8.8) in vergelijking met daarna (HR 1.8). Dit suggereert, in tegenstelling tot de propagatietheorie, dat de mogelijkheid tot hematogene metastasering een vroege en inherente eigenschap is van de primaire tumor. De signatuur vertoonde een sterkere prognostische kracht dan de standaardsystemen. Patiënten in de laagrisico categorie volgens de signatuur hadden een grotere kans op metastasevrije overleving dan laagrisicopatiënten volgens St. Gallen of NIH criteria. Alhoewel de huidig gebruikte criteria voor meer misclassificaties zorgen, met over- of onderbehandeling tot gevolg, zijn de langtermijn risico’s bij de goede prognose groep volgens de signatuur mogelijks nog steeds onvoldoende laag om het ontzeggen van chemotherapie te verantwoorden. In deze validatiestudie werden bovendien 61 patiënten geïncludeerd die eveneens betrokken waren bij de ontwikkeling van de signatuur [42], waardoor de resultaten positief kunnen beïnvloed zijn. Espinosa et al. (2005) [45] verstrekte additionele validatie bij primaire stadium I en II borstkankerpatiënten (48 N0 en 48 N+) door middel van kwantitatieve RT-PCR (i.p.v. microarray analyse). De expressie van de 70 genen en nog vier additionele genen vertoonde een significante onafhankelijke prognostische kracht voor zowel totale overleving als hervalvrije overleving (minimum follow-up van 5 jaar) (zie tabel 1). RT-PCR reproduceerde de resultaten verkregen met DNA microarrays op betrouwbare wijze. Deze alternatieve verwerkingsprocedure zou voordelen bieden boven de microarray technologie, welke in vele centra niet beschikbaar is en een beperkende factor vormt voor de klinische toepasbaarheid. Buyse et al. (2006) [46] rapporteerde de prospectieve validatie van MammaPrint door het TRANSBIG Consortium in een onafhankelijke patiëntengroep. De 307 onderzochte patiënten (≤ 55 jaar, T1/T2, N0, M0, enkel behandeld met lokaalregionale therapieën) waren afkomstig uit vijf verschillende Europese centra. Men verdeelde hen in hoog en laag risico groepen zowel op basis van gen signatuur classificatie (volgens MammaPrint) als op basis van de huidige klinisch- pathologische risico classificaties (volgens Adjuvant!Online). De resultaten (zie tabel 1) toonden dat de signatuur een sterke prognostische factor vormde voor zowel interval tot verre metastasen als totale overleving, zelfs na aanpassing voor de bestaande klinisch- pathologische classificaties. De ziektevrije overleving was
15
slechts statistisch randsignificant, wat echter niet verbazingwekkend is gezien de signatuur ontwikkeld werd met als eindpunt ‘interval tot verre metastasen’. De klinische risicoclassificaties behielden geen statistische significantie na aanpassing aan de signatuur. Deze gegevens suggereren dat de meeste informatie die verstrekt wordt door de klinischpathologische factoren inbegrepen zit in de gen signatuur. De berekende hazard ratio’ s in de validatiestudie van de 70 genen signatuur [44] liggen echter opmerkelijk hoger dan in deze validatiestudie met MammaPrint. Dit is waarschijnlijk tengevolge de inclusie van de originele serie patiënten (gebruikt bij de ontwikkeling van de signatuur) bij van de Vijver et al. (2002) en de discrepantie in opvolgtijd van de patiënten (6.7 jaar t.o.v. 13.6 jaar). Klinische en economische impact
Bueno-de-Mesquita et al. (2007) [47] publiceerden de resultaten van de RASTER studie. Hierbij bepaalde men prospectief in een populatiegebaseerde opzet de haalbaarheid van MammaPrint en het effect op adjuvante systemische behandelingskeuzen vergeleken met de bestaande richtlijnen. De prognose van 427 primaire borstkankerpatiënten ( T1-4, N0, M0, < 61 jaar) werd onderzocht, zowel op basis van klinisch- pathologische factoren (Nederlandse CBO richtlijnen, St. Gallen richtlijnen, NPI en Adjuvant!Online ) als met MammaPrint. Bij een derde van de patiënten vond men een discordantie in risico, leidend tot een verandering in adjuvante behandelingsaanbevelingen bij 26% van de totale groep patiënten. Adjuvante behandeling werd minder geadviseerd bij het gebruik van de strikte Nederlandse CBO richtlijnen, in vergelijking met de prognosesignatuur. Voor de overige beoordeelde richtlijnen werd echter minder adjuvante chemotherapie toegepast bij beschouwing van de signatuur, waardoor men eventueel onnodige systemische therapie zou kunnen vermijden. In de subgroep van oestrogeen ongevoelige tumoren had de signatuur een kleinere discriminerende waarde. Hier kunnen additionele prognostische testen van nut zijn (zie verder; de 76 genen signatuur). Oestreicher et al. (2005) [48] voerden een kosten-batenanalyse uit van MammaPrint als alternatief voor de klinische richtlijnen bij het richten van adjuvante chemotherapie. Gebruik van de test resulteerde in een kostenbesparing van US$ 2882 per behandelde vrouw. Dit ging echter gepaard met meer ziekteherval en een verminderde winst aan QALY’s (kwaliteitsaangepaste levensjaren) (zie tabel 1). De genexpressie grenswaarde (voor hoog versus laag risico) kon niet aangepast worden tot een voldoende sensitief niveau om de performantie van de conventionele richtlijnen te evenaren in termen van gewonnen QALY’s. Dit benadrukt het belang van een correct discriminatieniveau en de noodzaak van verdere verfijning alvorens het routinematig klinisch gebruik van MammaPrint.
16
Besluit
Mammaprint is een microarray test die toelaat jonge patiënten (< 61 jaar) met vroeg stadium borstkanker te categoriseren volgens zeer goede of slechte prognose. Gebruik van de test in de klinische setting zou voorzien in correctere informatie betreffende het risico op herval. Hoogrisico patiënten kunnen dan behandeld worden met meer agressieve adjuvante therapie, terwijl men bij laagrisico patiënten de neveneffecten van onnodige behandelingsvormen kan vermijden. Een mogelijk behandelingsalgoritme werd voorgesteld door Dobbe et al. (2008) (zie fig. 5). Dit zou de gezondheidskosten verminderen en de kwaliteit van leven voor vele patiënten verbeteren. Toekomstige studies dienen nog uit te wijzen of eveneens de totale overleving zou verhogen. Bovendien vormen de technische beslommeringen en weefsel preparatiemethoden van MammaPrint een belemmering voor het gebruik van de test in de huidige klinische praktijk. Recente studies suggereren weliswaar de prognostische bruikbaarheid van commerciële testen met Q-RT-PCR in FFPE materiaal [49]. Tot op heden is MammaPrint echter onvoldoende prospectief gevalideerd.
Figuur 5. MammaPrint en adjuvante behandeling. Potentiële adjuvante behandeling van stadium I en II invasieve borstkanker door gebruik van MammaPrint. Adjuvante hormonale therapie dient men te geven indien ER+. Trastuzumab is enkel geïndiceerd indien HER2 +[5].
17
Tabel 1. Overzicht 70 genen signatuur / Mammaprint studies Studie populatie objectief Ontwikkeling Van ’t Veer et al., 2002
n = 117
Ontwikkelen 70 genen prognostische signatuur voor verre metastasen
Glas et al., 2006
n = 162
Ontwikkelen Mammaprint
Van de Vijver et al., 2002
n = 295
Voorspellen herval en overleving met 70 genen microarray
Espinosa et al., 2002
n = 96
Voorspellen overleving met 70 genen RT-PCR
Buyse et al., 2006
n = 307
Voorspellen herval en overleving door MammaPrint
resultaten Multivariabele * gecrossvalideerde analyse: goede t.o.v. slechte prognose OR (95% BI) P Metastasevrije overleving op 5 jaar 18 (3.3 – 94) 1.4 x 10 –4 * graad, tumorgrootte, vasculaire invasie, leeftijd, ER status MammaPrint en 70 genen microarray: Pearson correlatie: 0.924
Prognostische waarde Multivariabele* analyse: goede t.o.v. slechte prognose HR (95% BI) P Hematogene metastasen op 5 jaar 4.6 (3.4-9.2) < 0.001 Totale overleving op 5 jaar 8.6 (4-19) < 0.001 * leeftijd, N status, ER status, tumorgrootte, tumorgraad, vasculaire invasie, mastectomie, chemotherapie, hormonale therapie Multivariabele* analyse: goede t.o.v. slechte prognose HR (95%BI) P Totale overleving 6.3 (1.28 - 31.07) Hervalvrije overleving 2.74 (1.13 - 6.61) * leeftijd, ER status, lymfeklier status Aangepast aan Aangepaste Mammaprint HR (95%BI) Tijd tot verre metastasen Totale overleving St. gallen 2.15 ( 1.25-3.71) 2.69 (1.53-4.73) NPI 2.15 (1.19-3.92) 2.89 (1.58-5.29) Adjuvant! 2.13 (1.19-3.82) 2.63 (1.45-4.79)
Klinische en economische impact Bueno-de-Mesquita et al., 2007
n = 427
Beslissingsimpact
Oestreicher et al., 2005
Hypothetisch cohort
Kosten-batenanalyse
Discordantie Mammaprint: CBO AOL NPI ST. Gallen MammaPrint t.o.v. NIH richtlijnen
n (%) 95%BI 128 (30) 26-34 160 (37) 32-42 117 (27) 23-31 168 (39) 34-44 - hervalpreventie 5% minder - QUALY’s 0.21 verlies - kostenbesparing USD 2882
18
2.2 De 76 genen signatuur - Rotterdam
Ontwikkeling
Wang et al. (2005) [50] identificeerde 76 genen bij patiënten met een hoog risico op hematogene metastasen. Deze signatuur werd ontwikkeld door het Erasmus Medical Center Rotterdam in samenwerking met Veridex LLC (San Diego, USA). Aan de basis ligt een analyse met Affymetrix bij 286 bevroren tumormonsters van Rotterdamse patiënten (N0 en onafhankelijk van leeftijd, tumorgrootte, tumorgraad en ER/PR status). Geen van deze patiënten werd behandeld met adjuvante therapie, waardoor de overleving niet beïnvloed is door de behandeling. Aan de hand van RNA expressie analyse selecteerde men binnen de training set (115 tumoren) 60 genen voor de ER+ subgroep en 16 genen voor de ER- subgroep. Deze merkergenen vertoonden geen onderlinge overlap, wat kan duiden op heterogeniteit in de onderliggende mechanismen van ziekteprogressie voor de twee subgroepen. Samen geeft dit de 76 genen signatuur; een predictor voor tumor metastasering binnen een interval van 5 jaar, onafhankelijk van de oestrogeen gevoeligheid. Goede prognose correleerde in de test set (171 tumoren) statistisch significant met langere metastasevrije en totale overleving na 5 jaar, onafhankelijk van conventionele prognostische factoren (zie tabel 2). De test vertoonde een sensitiviteit van 93% en een specificiteit van 48%. Uitgaande van een ziekteherval van 25% (bij lymfekliernegatieve patiënten), bekomt men een positieve predictieve waarde (PPW) van 37% en een negatieve predictieve waarde (NPW) van 95%. Ook deze signatuur zou aldus kunnen zorgen voor een reductie van het aantal patiënten die onnodig adjuvante systemische therapie ontvangen. Prognostische waarde
Foekens et al. (2006) [51] voerde een multicenter validatie van de 76 genen signatuur uit in een onafhankelijke meer diverse populatie (N0, geen adjuvante systemische behandeling) afkomstig van verscheidene Europese instellingen buiten Rotterdam. Ondanks de heterogeniteit in weefsel preparatietechnieken tussen de instituten, zijn de resultaten sterk consistent met deze uit de initiële validatie set. Dit toont de robuustheid en reproduceerbaarheid van de signatuur. Een ongunstige genomische prognose voorspelde significant kortere metastasevrije en totale overleving, terwijl de traditionele prognostische factoren niet significant geassocieerd bleken te zijn met de lengte van ziektevrije overleving (zie tabel 2). De 5 jaar metastase vrije overleving kon aldus voorspeld worden met een sensitiviteit van 90% en een specificiteit van 50%. Opnieuw uitgaande van een prevalentie van 25%, komt men tot een PPW van 38% en een NPW van 94% voor verre metastasen binnen de 5 jaar. Deze waarden zijn sterk vergelijkbaar met de oorspronkelijke studie van Wang et al (2005). Vergelijking met St. Gallen en NIH criteria suggereerde dat de signatuur een grotere groep laagrisico
19
patiënten kan identificeren terwijl een gelijkaardig, doch iets lager, niveau van accuraatheid wordt behouden bij het bepalen van de nood aan adjuvante therapie (zie tabel 2). Het gebruik van de 76 genen signatuur zou onnodige adjuvante therapie kunnen vermijden bij ongeveer 40% van deze lymfekliernegatieve patiënten. Er dient echter opgemerkt te worden dat Adjuvant!Online en de NPI meer accurate risicostratificaties zijn dan de St. Gallen en NIH richtlijnen. Hieromtrent werd in deze studie slechts een voorlopige analyse uitgevoerd, welke eveneens suggereert dat de signatuur nog extra waarde toevoegt aan de prognostische parameters. Desmedt et al. (2007) [52] vergeleek de 76 genen signatuur met de klinische risicobepalingen (Adjuvant!Online) in een onafhankelijke validatiestudie uitgevoerd door TRANSBIG in het Bordet Instituut. Men evalueerde 198 bevroren tumorweefsels (N0, systemisch onbehandeld, gemiddelde follow-up 14.0 jaar) uit vijf verschillende centra. Een heterogeniteit analyse toonde geen significante verschillen tussen de resultaten van de verschillende centra. Er bestond een discordantie voor 35% van de patiënten tussen de genomische en klinische risicoclassificaties. De signatuur kende minder patiënten toe aan de hoogrisico groep voor herval. Deze 76 genen waren in staat om een significant percentage (21,9 %) van de ER- subgroep in de laagrisico groep te categoriseren. De overlevingsanalyses op basis van het genomische risico werden aangepast aan klinisch risico volgens Adjuvant!Online. De prognostische kracht van de signatuur was het hoogst voor vroege (< 5 jaar) verre metastasen, daalde met toenemend aantal follow-up jaren, maar bleef desondanks ook na 10 jaar nog hoog. Deze tijdsdependentie vertoont een sterke analogie met MammaPrint, en is veel minder aanwezig voor de prognostische kracht van de huidige klinische parameters (zie discussie: vroege en late metastasen).
Besluit
De Rotterdam signatuur bestaat uit 76 genen waarvan de prognostische kracht met betrekking tot metastasevrije overleving en totale overleving gevalideerd is. De onafhankelijkheid van ER status, leeftijd en tumorgrootte in combinatie met de validatie in een onafhankelijke reeks van patiënten, ondersteunt de voorspellende waarde en brede klinische toepasbaarheid, voornamelijk bij het identificeren van patiënten met een hoog risico op ontwikkelen van vroege metastasen. Net zoals bij MammaPrint kunnen weefselcollectie en -preparatie voorschriften hier een probleem stellen. Deze test is voor het ogenblik nog niet toepasbaar op FFPE weefsel en totale secties van bevroren weefsel zijn nodig. Bovendien zijn de uitgevoerde studies tot nu toe steeds retrospectief. De 76 genen test is dan ook tot op vandaag niet commercieel beschikbaar.
20
Tabel 2. Overzicht 76 genen signatuur studies Studie populatie objectief Ontwikkeling Wang et al., 2005
n = 286
resultaten
Ontwikkelen en testen signatuur voor ziekteherval na 5 jaar
Multivariabele* overlevingsanalyse op 5 jaar voor goede t.o.v. slechte prognose HR (95%BI) P Metastasevrije overleving 5.55 (2.46-12.5) < 0.0001 Totale overleving 8.62 (2.57-27.9) < 0.0001 *leeftijd, tumorgrootte, graad, ER status en signatuur
Voorspellen overleving
Multivariabele* overlevingsanalyse op 5 jaar voor goede t.o.v. slechte prognose HR (95%BI) P Metastasevrije overleving 11.36 (2.67-48.8) 0.0010 Totale overleving 5.46 (1.62 – 18.4) 0.0020 * leeftijd, menopausale status, differentiatie, tumorgrootte, ER status en signatuur (153 patiënten door missende waarden bij 27 patiënten)
Prognostische waarde Foekens et al., 2006
n = 180
Vergelijking St. Gallen criteria, NIH criteria en 76 genen signatuur St. gallen NIH 76 genen signatuur Indeling laag risico (%) 94 98 50 accuraatheid 97 97 90 Desmedt et al., 2007
n = 198
Voorspellen overleving
Overlevingsanalyse op 5 jaar voor goede t.o.v. slechte prognose HR (95%BI) op 5 jaar HR (95%BI) op 10 jaar Metastasevrije overleving 13.58 (1.85-99.63) 5.11(1.57-16.67) Totale overleving 8.20 (1.10-60.90) 2.55 (1.07-6.10)
21
2.3 De 21 genen signatuur- Recurrentie Score – Oncotype DX
Ontwikkeling
Paik et al. (2004a) [53] selecteerden 21 genen uit 250 kandidaat genen die mogelijks geassocieerd zijn met borstkanker gedrag (‘klasse ontdekking’ strategie). De 21 genenlijst werd ontwikkeld door retrospectieve analyse van 3 independente borstkankerstudies [54-56]. Men selecteerde 16 genen (ER, HER2, ER- gereguleerde transcripten en meerdere proliferatiegenen) gerelateerd aan het optreden van borstkankermetastasen. Tevens werden 5 referentiegenen gekozen om de expressie van de 16 kankergerelateerde genen te normaliseren. De kwantitatieve expressie van deze 21 genen werd vervolgens geïntegreerd in een prospectief gedefinieerd algoritme welke de Recurrentie Score (RS: 0-100) berekent en zo de risicogroep bepaalt voor elke patiënt. Deze studie vormde de basis voor Oncotype DX (Genomic Health); een kwantitatieve RT-PCR test op FFPE weefsel. Oncotype DX kan gebruikt worden als een continue variabele bij het inschatten van de probabiliteit op borstkanker herval op 10 jaar of als categorische variabele om patiënten in te delen in laag risico (RS<18), intermediair risico (18 ≤ RS < 31) en hoog risico (≥ 31) groepen [57]. Cronin et al. (2007) [58] valideerde Oncotype DX analytisch en operationeel. De test gaf betrouwbare kwantitatieve RS waarden betreffende het borstkankerrisico met een standaard deviatie binnen 2 RS eenheden op de 100-eenheden schaal.
Prognostische waarde
Verscheidene studies evalueren de performantie van de RS ten opzichte van de beschikbare klinisch- pathologische merkers. De resultaten suggereren dat bij borstkankerpatiënten (ER+, N0) met een lage RS, adjuvante therapie met enkel tamoxifen volstaat. Patiënten gecategoriseerd als intermediair of hoog risico zouden baat hebben bij additionele adjuvante therapie. Paik et al. (2004a) [53] onderzocht retrospectief de associatie tussen de RS en metastasevrije overleving bij 668 tamoxifen behandelde borstkankerpatiënten (ER+, N0). Het hervalrisico op 10 jaar was significant lager binnen de laagrisico groep dan bij de hoogrisico groep. Een verandering van 50 punten in RS was een predictor voor herval, onafhankelijk en sterker dan de traditionele risicofactoren (zie tabel 3). Niet alleen de frequentie van metastasen, maar ook de tijd tot herval verschilde tussen de groepen; bij benadering 2/3 van de herval bij intermediaire of hoge RS trad op binnen de 5 jaar, vergeleken met slechts 1/3 van de herval bij lage RS. De RS had tevens een significante voorspellende waarde voor totale overleving (P < 0.001).
22
Bryant et al. in collaboratie met Peter Ravdin, M.D. (2005) en Paik et al. (2004b) [59, 60] voerden additionele analyses uit op de data van Paik et al (2004a). De patiënten werden individueel geclassificeerd naar risico volgens conventionele risicoclassificaties (Adjuvant!Online en NCCN) en dan gereclassificeerd naar Oncotype DX. Vergelijking bevestigde de toegevoegde waarde van de RS boven de bestaande prognostische merkers (zie tabel 3). Men suggereert echter dat zowel klinische als genexpressie gebaseerde merkers onafhankelijk bijdragen tot de prognose en omwille hiervan samen dienen te worden beschouwd. De huidige versie van Adjuvant!Online incorporeert daarom de RS in zijn prognostische beschouwingen [61]. Esteva et al. (2005) [62] rapporteerde een kleinere studie bij 149 borstkankerpatiënten (N0) in het MD Anderson Cancer Center. Ondanks de veelbelovende data uit de vorige studies bleek Oncotype DX niet predictief te zijn voor de waarschijnlijkheid op herval (follow-up van min. 5 jaar). In tegenstelling tot de voorgaande studie ging het hier om zowel oestrogeen gevoelige als ongevoelige tumoren, en geen van deze patiënten werd behandeld met adjuvante therapie. Bovendien is deze studiepopulatie weinig representatief en onderhevig aan selectiebias aangezien de patiënten afkomstig zijn van één enkele instelling. Hogere tumorgraad was geassocieerd met een betere prognose, suggererend dat de betrouwbaarheid en generaliseerbaarheid van deze resultaten sterk in vraag moet gesteld worden. De studie valideerde echter wel het technische aspect van de RS door de correlatie met immunohistochemische testen voor ER, PR en HER-2. Habel et al. (2006) [63] evalueerde de robuustheid van Oncotype DX in de independente multicenter Kaiser validatie studie bij 4964 patiënten (<75 jaar, N0, geen adjuvante chemotherapie) uit gemeenschapshospitalen. Hoge RS was bij oestrogeen gevoelige borstkanker geassocieerd met verhoogd risico op overlijden, onafhankelijk van een eventuele behandeling met tamoxifen (zie tabel 3). De kans op overlijden situeerde zich ongeveer 3% hoger bij de patiënten zonder tamoxifen therapie. Dit zou suggereren dat de RS zowel prognostische als predictieve (respons op tamoxifen therapie) informatie verschaft. Ook bij de niet oestrogeen gevoelige subgroep correleerde de verhoogde RS significant met toegenomen risico op overlijden.
Predictieve waarde voor adjuvante chemotherapie
Gianni et al. (2005) [64], Paik et al. (2006) [65], Chang et al. (2008) [25] en Albain et al. (2007) [66] evalueerden naast de reeds vastgestelde prognostische waarde, tevens de predictieve waarde. Het betreft het identificeren van tumoren die gevoeliger zijn voor adjuvante chemotherapie in aanvulling op tamoxifen behandeling. Een positieve correlatie werd bevestigd tussen de RS en respons op neoadjuvante chemotherapie met anthracycline/taxaan, CMF of MF, docetaxel en CAF. Specifieke predictor genen voor welbepaalde chemotherapeutica werden niet vastgesteld [67]. Voor predictie van
23
chemotherapie voordeel bij postmenopausale vrouwen behandeld met tamoxifen, presteerde de RS het sterkste gedurende de eerste 5 jaar. Hogere RS is geassocieerd met slechtere prognose maar betere respons op adjuvante chemotherapie. Lage RS is geassocieerd met afwezigheid of slechts marginaal voordeel bij chemotherapie (zie fig. 6). Patiënten met een intermediaire RS leken eveneens geen substantieel voordeel te genieten, maar de onzekerheid in de schatting kan een klinisch relevant voordeel niet uitsluiten. Additionele studies betreffende de voor- en nadelen van chemotherapie in deze middengroep zijn nodig.
Figuur 6. Recurrentie Score en metastase recurrentie ratio op 10 jaar. Grafische voorstelling van de kans op metastasen als een continue functie van de recurrentie score voor de tamoxifen alleen (Tam) en tamoxifen plus chemotherapie (Tam + chemo) behandelingsgroepen.
(Fig. afkomstig uit Paik et al. (2006) [65])
Predictieve waarde voor hormonale therapie
Paik. et al. (2005) [68] evalueerden de waarde van de 21 genen test bij het voorspellen van voordeel bij tamoxifen. Zowel met als zonder tamoxifen behandeling, was hoge RS geassocieerd met een toegenomen risico op herval. Patiënten met een lage of intermediaire RS hadden substantieel voordeel bij tamoxifen therapie, terwijl patiënten met hoge RS weinig voordeel ondervonden (zie tabel 3). Alhoewel de beperkte populatiegrootte verhindert te besluiten tot verwaarloosbaar voordeel van tamoxifen bij de hoge RS, zijn de bevindingen consistent met de notie dat lagere RS een relatief groter voordeel van tamoxifen voorspelt. Dowsett et al (2008) [69] toonden in de TransATAC studie de onafhankelijke voorspellende waarde van Oncotype DX voor risico op verre metastasen, bovenop Adjuvant!Online bij 1231 hormoongevoelige postmenopausale primaire borstkankerpatiënten (N0 en N+). Dit geldt zowel voor de behandeling met tamoxifen als met anastrazole (zie tabel 3). De data waren echter niet voorspellend
24
voor een differentieel voordeel tussen beide. Tamoxifen is niet de enige beschikbare adjuvante hormonale behandeling bij borstkanker; aromatase inhibitoren worden eveneens gebruikt.
Klinische en economische impact
Verscheidene studies evalueerden de klinische en economische impact van Oncotype DX bij ER+, N0, stadium I of II borstkankerpatiënten. Vanuit een economisch perspectief is de huidige borstkankeraanpak, met soms onnodige adjuvante chemotherapie, erg duur. Hoewel de kost van Oncotype DX hoog is ($ 3,400) [61], suggereren economische analyses dat gepast gebruik van de test een potentieel kostenbesparend effect zou hebben. Risicostratificatie door genetische profilering ter bepaling welke patiënten adjuvante chemotherapie nodig hebben, zou zorgen voor een reductie in de uitgaven. Deze kostenbesparing is niet enkel gerelateerd aan de chemotherapie zelf, maar ook aan zijn geassocieerde toxiciteit. Oratz et al. (2007), Kamal et al. (2007) en Lo et al. (2007) [70-72] bepaalden het verschil in behandelingsaanbevelingen op basis van klinisch- pathologisch risico (Adjuvant!Online) zonder en met kennis van de RS. Uit deze gegevens (zie tabel 3) concludeerde men in de eerste plaats dat clinici de neiging hebben voornamelijk de test te bestellen bij patiënten met laag of intermediaire klinischpathologisch risico. Ten tweede treedt een verandering in behandelingsaanbeveling op bij ongeveer 25% van de patiënten, ondanks de selectiebias die inherent was aan het gebruik van de test. Dit resulteerde hoofdzakelijk in ‘behandelingsbesparing” (een verandering van aanbeveling van chemoen hormonale therapie naar hormonale therapie alleen, voornamelijk bij lage RS) en minder vaak in “behandelingsselectie” (een verandering van de aanbeveling van hormonale therapie naar chemo- en hormonale therapie, voornamelijk bij hoge RS). Tot slot rapporteerden de artsen en patiënten dat bekrachtiging van het vooropgestelde therapieplan door de RS resulteerde in een verhoogd vertrouwen en een betere compliantie met de behandeling. Mumby et al. (2007) [73] onderzocht verder de impact van de test op patiëntentevredenheid, angst en de uiteindelijke adjuvante behandelingsstrategie bij de patiënten uit de studie van Lo et al. (2007). Men rapporteerde een effectieve behandelingsverandering bij 27% van de patiënten (terwijl de behandelingsaanbeveling verschillend was bij 31,5 %). Het gevolg was lager gebruik van chemotherapie, verminderde angst en verhoogd vertrouwen in de behandeling bij de patiënten. Liang et al. (2007) [74] voerden een retrospectieve analyse uit ter evaluatie van de impact van Oncotype DX bij behandelingsbeslissingen in vergelijking met de NCCN richtlijnen. De Oncotype DX test stratifieerde borstkankerpatiënten beter in laag- en hoogrisico groepen. Bovendien suggereerde de kostenanalyse een netto besparing aangezien gebruik van de Oncotype DX test significant de aanbeveling tot adjuvante chemotherapie verlaagde (bij patiënten met lage RS).
25
Lyman et al. (2007) [75] vergeleek aan de hand van een kosteneffectiviteit en kostenutiliteit analyse
de
klinische
en
economische
impact
en
levenskwaliteit
voor
drie
adjuvante
behandelingsstrategieën: (1) steeds alleen tamoxifen, (2) steeds chemotherapie gevolgd door tamoxifen, en (3) therapie op geleide van de RS berekend met Oncotype DX, waarbij laagrisico patiënten enkel tamoxifen ontvingen en intermediair- en hoogrisico patiënten chemotherapie en tamoxifen kregen. De RS- gebaseerde therapie bleek geassocieerd met een grotere werkzaamheid (stijging van de levensverwachting met 2,2 jaar) en acceptabele kosteneffectiviteit ratio (ICER: $1944 per gered levensjaar) in verhouding tot de eerste behandelingsstrategie. In vergelijking met de tweede behandelingsstrategie hebben RS- gebaseerde therapeutische beslissingen een gelijkaardige werkzaamheid en lagere kost (netto verschil $2256). Hornberger et al. (2005) [76] maakten een Markov beslissingsanalyse van de RS ten opzichte van de NCCN richtlijnen als risicoclassificatie voor metastasering bij met tamoxifen behandelde patiënten. De RS bleek een meer accurate voorspeller van risico op herval. Indien correct gebruikt, zou de RS in een hypothetisch cohort van 100 patiënten zorgen voor een stijging in kwaliteitsaangepaste levensjaren met 8.6 jaren en een reductie van de totale kosten met $202 828.
Hormoonreceptor status
Badve et al. (2008) [77, 78] vond in een case-control studie een hoge graad van concordantie voor de bepaling van oestrogeen en progesteron gevoeligheid door middel van immunohistochemie (IHC) en RT-PCR aan de hand van Oncotype DX. Accurate en precieze meting van de hormoonreceptor status is van therapeutisch belang, aangezien hormonale therapie het relatieve risico op herval bij hormoonsensitieve borstkanker reduceert met meer dan 50%. Nieuwe methodologie hieromtrent dient streng vergeleken te worden met de huidige standaardmetingen. De Oncotype DX test vormde een alternatieve en minstens evenwaardige methode voor het bepalen van de hormoonstatus en is superieur bij voorspellen van herval en in technische precisie. De RS is bovendien behulpzaam bij het stratifiëren van de respons op hormonale therapie.
Besluit
Oncotype DX is een commercieel beschikbare diagnostische test, functioneel op FFPE weefsels, waardoor zijn gebruik toegankelijk is in de standaard praktijk van de meeste pathologiedepartementen. De informatie die deze test verstrekt is tweeledig. (1) De test is prognostisch (onafhankelijk van therapie). De RS correleert met de kans op verre metastasen bij vrouwen met lymfekliernegatieve, oestrogeen gevoelige borstkanker. Ook bij postmenopausale vrouwen met oestrogeen gevoelige borstkanker (N0 en N+) is Oncotype DX van prognostisch belang als een betere
26
voorspeller van herval dan de huidige merkers. (2) Misschien nog belangrijker is de predictieve waarde. De RS zou een subgroep kunnen definiëren van vrouwen (N0, ER+) die geen voordeel hebben bij adjuvante chemotherapie. Ook op vlak van hormonale therapie zou de recurrentie score mogelijks een predictieve rol kunnen spelen. Zowel de ASCO (www.asco.org) als de NCCN (www.nccn.org) raden het gebruik van Oncotype DX als enige multigenexpressie signatuur aan als additief bij het voorspellen van chemotherapievoordeel [79]. CLIA regulariseerde eveneens Oncotype DX als een diagnostische test [80]. De uitgevoerde studies tot nu toe zijn echter steeds retrospectief, waardoor de waarde in twijfel kan getrokken worden. Door het integreren van de test bij klinische beslissingen in de prospectieve TAILORx studie (zie verder), zullen patiënten en clinici in staat zijn meer geïnformeerde beslissingen te nemen betreffende de gepaste behandelingsopties (zie fig. 7).
Figuur 7. Oncotype DX en adjuvante behandeling. Potentiële adjuvante behandeling van stadium I en II invasieve borstkanker door gebruik van de Oncotype DX test. Trastuzumab is geïndiceerd indien HER2 + [5].
27
Tabel 3. Overzicht 21 genen signatuur studies Studie populatie objectief Ontwikkeling
resultaten
Paik et al., 2003 Paik et al., 2004a Cobleigh et al., 2005 Esteban et al., 2003
n = 447
Ontwikkelen 21 genen signatuur en RS algoritme
Oncotype DX test, RS en classificatie: RS < 18 : laag risico RS 18 – 30 : intermediair risico RS ≥ 31: hoog risico
Cronin et al., 2007
n = 447
Technische validatie
Standaard deviatie 2 RS Multivariabele* analyse van RS (verandering van 50 punten) HR (95%BI) P Verre herval op 10 jaar 2.81 (1.70-4.64) < 0.001 *leeftijd, tumorgrootte en tumorgraad NCCN risico RS risico n % ZVO op 10 jaar (95%BI) Laag (8%) laag 38 100 (NB) int 12 80 (59-100) hoog 3 56 (13-100) Hoog (92%) Laag 301 93 (89 – 96) int 137 56 (13-100) hoog 178 70 (62-77)
Prognostische waarde Paik et al., 2004a
n = 668
Voorspellen herval
Paik et al., 2004b
Zie Paik et al., 2004a
Reclassificatie studie
Bryant et al. & Ravdin, 2005
Zie Paik et al., 2004a
Reclassificatie studie
Esteva et al., 2005
n = 149
Voorspellen herval
Habel et al., 2006
n= 255 ER+ Tam +
Case-control studie: Voorspellen mortaliteit
n= 361 ER+ Tamn = 108 ER-
Adjuvant!Online risico Laag (53%)
RS risico n % herval op 10 jaar (95%BI) laag 216 5.6 (2.5-9) Int - hoog 138 12.9 (7-19) Hoog (47%) Laag 122 8.9 (4-14) Int - hoog 192 30.7 (24-38) Geen significante correlatie tussen leeftijd, tumorgrootte, of RS en verre hervalvrije overleving Risico op overlijden bij: ER+ Tam+ ER+ Tam ER* tumorgrootte, graad, RS
Multivariabele* analyse van RS (continue variabele) RR (95%BI) P 5.3 (1.6–17.2) 0.003 2.4 ( 1.1–5.2) 0.025 6.2 (1.2–31.8) resultaten gebaseerd op te kleine aantallen
28
Tabel 3. Vervolg Studie populatie objectief Predictief: RS risico en chemotherapie Gianni et al., 2005
n = 89
anthracycline/taxaan
Paik et al., 2006 Albain et al., 2007 Chang et al., 2008
n = 651 n = 367 n = 97
CMF of MF CAF docetaxel
resultaten Correlatie RS en chemotherapievoordeel: P = 0.005 Er is geen duidelijk RS afknappunt waaronder geen chemotherapievoordeel wordt gezien. Correlatie RS en chemotherapievoordeel: P=0.038 Correlatie RS en chemotherapievoordeel: P =0.029 eerste 5 jaar; P =0.58 na 5 jaar Correlatie RS en chemotherapievoordeel: P=0.008
Predictief: RS risico en hormonale therapie Paik et al., 2005
Dowsett et al., 2008
n = 645
n = 1231
tamoxifen
RS
10 jaar ziektevrije overleving
laag int hoog
Tam 85.9% 62.2% 68.7%
Tam + 93.1% 79.5% 70.3%
Voordeel tamoxifen op 10 jaar ziektevrije overleving P 0.039 0.02 0.82
tamoxifen of aromatase inhibitor
N status P voor prognostische waarde van RS boven deze van Adjuvant!Online N+ 0.003 N0 < 0.001 Data niet predictief voor differentieel voordeel tussen tamoxifen en anastrazole
behandelingsaanbeveling
Verandering in behandelingsaanbeveling: 21%
(bij gemeenschap oncologen)
behandelingsaanbeveling
Verandering in behandelingsaanbeveling: 18%
(bij academisch oncologen)
behandelingsaanbeveling
Verandering in behandelingsaanbeveling: 31.5% (bij gemeenschap en academisch oncologen)
behandeling behandeling Economische impact Economische impact
Verandering in behandeling: Verandering in behandeling: Zie tekst Zie tekst
ER en PR status
Zie tekst
Klinische en economische impact Oratz et al., 2007 Kamal et al., 2007 Lo et al., 2007 Mumby et al., 2007 Liang et al., 2007 Lyman et al., 2007 Hornberger et al., 2005
68 patiënten 4 oncologen 31patiënten 5 oncologen 89 patiënten 15 oncologen zi Lo et al., 2007 260 patiënten n =1964 n = 668
27% gegevens niet ter beschikking
Hormoonreceptor status Badve et al., 2008
n = 776
29
2.4 De borstkanker genexpressie ratio –HOXB13/IL17R Ontwikkeling
Ma et al. (2004) [81] ontwikkelde de borstkanker genexpressie ratio op basis van een topdown studie bij borstkankerpatiënten (ER+) behandeld met tamoxifen. De genen geassocieerd met ziektevrije overleving identificeerde men op bevroren weefsel door middel van een oligonucleotide microarray (Agilent). HOXB13, IL17BR en CHDH werden weerhouden. Dit herleidde men tot een 2 genen ratio, HOXB13 versus IL17BR, gezien het gebruik van de drie merkers tezamen geen bijkomende prognostische waarde inhield. Hoge ratio correleerde krachtiger met toegenomen hervalrisico dan de bestaande biomerkers. Men kon het resultaat van de test gebruiken als een continue risicoschaal of als stratificatie voor een hoog- en laagrisico groep aan de hand van een afknappunt. Validatie gebeurde aan de hand van RT-PCR in gearchiveerd materiaal van dezelfde tumorstalen (Pearson correlatiecoëfficiënt met de microarray data: 0.83) en een additionele onafhankelijke set van 20 FFPE tumorstalen (zie tabel 4). De H/I ratio vertoonde geen significante prognostische waarde bij patiënten zonder adjuvante tamoxifen therapie. Prognostische waarde
Reid et al. (2005) [82] slaagden er niet in de signatuur te valideren. De beperking van deze studie is gerelateerd aan de verschillende samenstelling van de patiëntenpopulatie (78% N+) in vergelijking met deze in de ontwikkelingsstudie ( 47% N+) uitgevoerd door Ma et al. (2004) [83]. De signatuur blijkt een betere voorspellende kracht te hebben bij lymfekliernegatieve dan lymfeklierpositieve patiënten. Goetz et al. (2006) [84] onderzochten de H/I ratio verder bij postmenopausale, tamoxifen behandelde borstkankerpatiënten. Het beste klinisch discriminerende afknappunt voor de expressieratio verschilde hierbij in functie van de lymfeklierstatus (59ste percentiel voor N0 ; 90ste percentiel voor N+). Voor de lymfeklierpositieve cohorte vond men geen associatie tussen H/I ratio en herval of overleving, in tegenstelling tot de lymfekliernegatieve cohort waar een hoge ratio geassocieerd was met significant slechtere overleving onafhankelijk van de standaard prognostische merkers (zie tabel 4). Deze gegevens suggereren een mogelijke merkerfunctie voor vroege invasie en metastatisch potentieel. Deze hypothese wordt verder onderbouwd doordat herval voornamelijk optrad binnen de eerste vier jaar na start van tamoxifen bij hoge H/I ratio. Hierop volgde een plateaufase tot 8 jaar, waarna herval werd gezien bij zowel hoge als lage H/I ratio.
30
Ma et al. (2006) [85] valideerden met RT-PCR de klinische bruikbaarheid van de ratio in een grotere onafhankelijke patiëntencohorte (566 onbehandelde en 286 met tamoxifen behandelde patiënten). De ratio vertoonde een significante voorspellende waarde voor hervalvrije overleving in de ER+, N0 subgroep (lage ratio correleerde met betere overleving). Deze voorspellende waarde was onafhankelijk van conventionele prognostische factoren en eventuele behandeling met tamoxifen. In vroegere studies werd dit enkel beschreven voor tamoxifen behandelde patiënten. In de lymfeklierpositieve subgroep, welke globaal een hogere ratio had, was dit niet het geval. Jansen et al. (2007) [86] bepaalden de relatie tussen de H/I ratio, tumoragressiviteit en responsiviteit op tamoxifen. Lage ratio was significant geassocieerd met betere overleving zowel bij primaire als recurrente borstkanker behandeld met tamoxifen monotherapie. In een multivariabele analyse behield de H/I ratio enkel voor de lymfekliernegatieve subgroep een significante associatie met kortere ziektevrije overleving. Bij recurrente borstkankerpatiënten was de H/I ratio de sterkste predictor voor slechte respons op tamoxifen en kortere progressievrije overleving in vergelijking met de traditionele predictieve factoren (zie tabel 4). Men concludeerde dat de H/I ratio positief geassocieerd is met zowel tumoragressiviteit als verminderde gevoeligheid voor tamoxifen. Het gekozen afknappunt voor de gedichotomiseerde H/I ratio verschilde in deze studie echter met het afknappunt gekozen door Ma et al. (2006). Zonder gerandomiseerde studie blijft het belang van de ratio bij het voorspellen van de respons op tamoxifen een discussiepunt.
Predictieve waarde
Jerevall et al. (2008) [87] kaartten dit probleem aan in een gerandomiseerde studie (2 jaar versus 5 jaar adjuvante tamoxifen behandeling) bij postmenopausale patiënten. Aangezien de overlevingscurven van de oestrogeen ongevoelige patiënten geen significante verschillen vertoonden voor de ratio, werden verdere analyses enkel uitgevoerd binnen de oestrogeen gevoelige subgroep. Hoge H/I ratio correleerde met toegenomen tumoragressiviteit en verminderde hervalvrije overleving bij verlengde endocriene therapie. Deze studie suggereert, in tegenstelling tot de voorgaande studies, dat de ratio ook een predictieve waarde zou hebben voor lymfeklierpositieve patiënten. Ook binnen deze cohorte bleef de interactie tussen behandelingsduur en de ratio significant (zie tabel 4). De ratio vormde een bruikbare predictieve merker bij het voorspellen van respons op verlengde endocriene therapie.
31
Aanpassing
Ma et al. (2008) [88] verbeterden de accuraatheid van de H/I test door het includeren van de moleculaire graad index (MGI), welke hoofdzakelijk celproliferatie kwantificeert. Vijf celcyclusgerelateerde genen werden geselecteerd en gevalideerd om een eenvoudige index voor tumorgraad te ontwikkelen. Deze MGI evalueerde men in twee publiek toegankelijke FFPE microarray datasets (n = 410). Voor het ontwikkelen van de RT-PCR test werden twee bijkomende cohorten (n=323) gebruikt. De MGI bleek een sterke en consistente prognostische factor, vergelijkbaar met de meer complexe 97 genen genomische graad index (GGI: zie verder). Het voordeel van MGI boven histologische tumorgradering is tweeledig. (1) Graad 2 tumoren worden geclassificeerd in ofwel graad 1 of graad 3, waardoor men de ambiguïteit van pathologische tumorgradering vermijdt. (2) Een gestandaardiseerde RT-PCR test elimineert de subjectiviteit en inter- en intraobservator variabiliteit geassocieerd met pathologische gradering. De MGI en H/I versterkten elkaars performantie en de combinatie identificeerde een subgroep van patiënten (~30%) met slechte prognose ondanks endocriene therapie. Beiden lijken afzonderlijke modules in borstkanker te representeren, die agressieve tumorgroei op synergistische wijze beïnvloeden. Hoge MGI staat voor een hoge proliferatiegraad en chemotherapievoordeel. Hoge H/I ratio correleert dan weer met verminderde celdood en voordeel van verlengde tamoxifen monotherapie. Zo kunnen MGI en H/I belangrijke predictieve signaturen zijn voor voordeel bij endocriene en chemotherapeutische behandeling.
Besluit
De borstkanker genexpressie ratio (AvariaDx Inc.) is een Q-RT-PCR test die de ratio van de HOXB6 en IL17BR genen meet (H/I ratio). Het wordt beschouwd als een risicomerker voor herval bij oestrogeen gevoelige, lymfekliernegatieve borstkankerpatiënten, behandeld met tamoxifen. De test is onderzocht in grote en heterogene populaties, waarbij verschillen in voorspellende capaciteit werden gevonden voor specifieke subgroepen. De H/I ratio zou een merker kunnen zijn bij het identificeren van een subset van hoogrisico patiënten voor herval, met onvoldoende gevoeligheid voor tamoxifen. Deze patiënten komen in aanmerking voor alternatieve behandelingsstrategieën (bv. Aromatase inhibitoren, EGFR inhibitoren of chemotherapie met of zonder tamoxifen). De signatuur is echter op verschillende wijzen geformuleerd, genormaliseerd naar verscheidene genensets en gestratifieerd met gebruik van drempelwaarden die binnen elke studie anders werden geoptimaliseerd. De commerciële test vereist daarom verdere validatie en vergelijking met conventionele predictieve factoren.
32
Tabel 4. Overzicht H/I ratio studies Studie populatie objectief Ontwikkeling Ma et al., 2004
Training set: n = 60 Test set: n = 20
resultaten
Ontwikkelen signatuur voor ziekteherval (followup min. 5 jaar)
Multivariabele* analyse herval door metastasen: H/I ratio laagste kwartiel t.o.v. hoogste kwartiel OR (95% BI) P Training set (microarray)* 7.3 ( 2.1-26.3) 0.0022 Test set (RT-PCR) Geen data 0.024 * H/I ratio, tumorgrootte en expressie van PGR en ERBB2
Herval Voorspellen herval en overleving
Geen associatie tussen H/I ratio en verre herval Analyse N0 cohorte: lage ratio t.o.v. hoge ratio
Prognostische waarde Reid et al., 2005 Goetz et al., 2006
n = 58 n = 206
Ma et al., 2006
n = 852
Voorspellen herval
Jansen et al., 2007
n = 1252
Voorspellen herval en progressie
HR P Hervalvrije overleving 1.98 0.031 Totale overleving 2.4 0.0014 Analyse N0 cohorte: lage ratio t.o.v. hoge ratio: geen associatie met overleving Multivariabele* analyse hervalvrije overleving: lage ratio t.o.v. hoge ratio HR (95%BI) P N0, ER+, Tam+/- * 3.9 (1.5-10.3) 0.007 N+ Niet significant * H/I ratio, leeftijd, PR status, tumorgrootte, S fase fractie, en tamoxifen behandeling Multivariabele analyse: lage ratio t.o.v. hoge ratio HR (95%BI)* P Hervalvrij bij ER+ N0, Tam- * 1.74 (1.17-2.59) 0.006 Progressievrij bij ER+ N0/+ Tam+ ** 1.95 (1.39-2.73) <0.001 * multivariabele analyse: leeftijd, menopausale status, tumorgrootte, N status, graad, ER, en PR ** multivariabele analyse: leeftijd, menopausale status, ziektevrije overleving, plaats van herval, ER en PR
Predictieve waarde Jerevall et al., 2008
n = 264
Voorspellen effect verlengde tamoxifen behandeling
Analyse hervalvrije overleving voor verlengde endocriene therapie bij postmenopausale cohorte RR P Lage H/I ratio ER+ N0/+ 0.39 0.030 ER+ N+ 0.27 0.0087 Hoge H/I ratio Niet significant
33
2.5 De genexpressie graad index (GGI) – 97 genen genomische graad signatuur
Ontwikkeling
Gradering van borstkanker houdt belangrijke prognostische en predictieve informatie in. Verscheidene wijd gebruikte beslissingsalgoritmes voor behandeling, zoals de NPI
of
Adjuvant!Online, integreren tumorgraad in de risico berekeningen. Klassiek gebeurt tumorgradering aan de hand van histologische methodes, zoals de Elston-Ellis score [89], welke tumoren classificeert volgens 3 graden van toenemend proliferatiepotentieel. Algemeen wordt aanbevolen “graad 3” (d.w.z. hooggradige) borstkankertumoren te behandelen met chemotherapie vanwege het hoge risico op herval. De meeste “graad 1” (laaggradige) tumoren zou men, gezien de gunstige prognose, niet hoeven te behandelen met chemotherapie. Hiernaast wordt echter 30%-60% geclassificeerd als “graad 2”. Dit is geassocieerd met intermediair hervalrisico en verstrekt weinig klinisch praktische informatie. Bovendien is de gradering onvoldoende reproduceerbaar tussen verschillende centra (concordantie tot maximaal 80%) [90, 91]. De wetenschap dat dit leidt tot suboptimale beslissingen, zette aan tot ontwikkeling van de genexpressie graad index (GGI). Deze tracht de moleculaire kenmerken van tumordifferentiatie en tumorgraad te definiëren. Beiden beïnvloeden tumorprogressie en metastasering. Sotiriou et al. (2006) [92] ontwikkelden de GGI aan de hand van een hypothese gedreven studie aan het Institut Jules Boret en ISREC. De studie beperkte zich tot oestrogeen gevoelige tumoren omwille van de onderlinge afhankelijkheid tussen ER status en histologische graad. Microarray data uit drie datasets werden geanalyseerd met Affymetrix. Tussen histologische graad 3 en graad 1 identificeerde men 97 differentieel tot expressie gebrachte genen (vnl. betrokken bij celcyclus regulatie en proliferatie). De GGI die hieruit ontstond werd gedichotomiseerd in twee subgroepen; hoge en lage genomische graad om histologische graad 1 en 3 optimaal te onderscheiden. Datasets uit vijf verschillende centra bevestigden de sterke correlatie tussen lage en hoge GGI en respectievelijk histologische graad 1 en 3. Er werd echter geen onafhankelijk genexpressie profiel gevonden voor histologische graad 2; deze vormde eerder een mengeling van graad 1 en 3 dan een intermediair hiertussen. Zo herclassificeerde men histologische graad 2 in een groep met hoog hervalrisico (hoge GGI of luminaal B) en een groep met laag hervalrisico (lage GGI of luminaal A) (zie tabel 5). De implicaties van de gemeenschappelijke distributie van ER status en GGI werden eveneens geëxploreerd [93]. Bijna steeds was ER- geassocieerd met hoge GGI, terwijl ER + gepaard ging met meer heterogene GGI waarden. De GGI verbeterde de prognostische accuraatheid van de ER status, terwijl dit omgekeerd niet het geval bleek te zijn. Zo was bij patiënten met hoge GGI, ER status niet langer geassocieerd met risico op herval.
34
Prognostische waarde
Loi et al. (2007) [94] toetsten de GGI bij oestrogeen gevoelige borstkankerpatiënten in meerdere onafhankelijke datasets. Hoge GGI was opnieuw sterker geassocieerd met kortere ziektevrije overleving dan conventionele klinisch- pathologische kenmerken, en dit zowel bij tamoxifen behandelde als onbehandelde patiënten (zie tabel 5). Dit bevestigt dat de GGI op reproduceerbare wijze twee afzonderlijke oestrogeen sensitieve moleculaire subtypes kan identificeren.
Predictieve waarde
Symmans et al. (2008) en Liedtke et al. (2009) [95, 96] onderzochten de voorspellende waarde van de GGI voor pathologische respons (gekwantificeerd door “residual cancer burden”) op neoadjuvante chemotherapie bij HER2 negatieve borstkanker (zie tabel 5). Hoge GGI bleek predictief voor toegenomen gevoeligheid aan T/FAC chemotherapie onafhankelijk van de ER status. Zelfs na chemotherapie bleef hoge GGI desondanks geassocieerd met slechtere hervalvrije overleving.
MapQuant Genomic Grade
De ‘MapQuant Dx™ Genomic Grade’ test is gebaseerd op de Genomische Graad Index en is beschikbaar voor diagnostisch gebruik voor oncologen en pathologen in Europa. Deze microarray test meet tumorgraad en vormt een indicator voor tumorproliferatie, risico op metastase en respons op chemotherapie. Mapquant is ontwikkeld onder de AFSSAPS en Ipsogen houdt de licensie van de GGI technologieën. Studies van Ipsogen zouden uitgewezen hebben dat deze test hoog reproduceerbaar is. Tevens zou de concordantie tussen MapQuant en histologische gradering hoog zijn volgens een validatie in twee laboratoria op 118 oestrogeen gevoelige graad 1 en 3 tumorstalen [97].
Besluit
De genomische graad index, in Europa commercieel beschikbaar als MapQuant DX, biedt de mogelijkheid de accuraatheid, en dus de prognostische waarde, van tumorgradering te verbeteren. Het drie categorieën histologische graderingsysteem zou men kunnen vervangen door twee categorieën op basis van genexpressie. Deze laatste indeling is klinisch relevanter door de sterkere associatie met hervalvrije overleving, onafhankelijk van eventuele adjuvante endocriene- of chemotherapie. Ook de predictieve waarde bij het voorspellen van de respons op chemotherapie werd aangetoond. Er is echter nood aan prospectieve klinische studies, waarbij stratificatie naar subtype de diverse effecten van verscheidene endocriene, chemotherapeutische en biologische agentia zou kunnen ophelderen.
35
Tabel 5. Overzicht GGI studies Studie populatie Ontwikkeling
objectief
Sotiriou et al., 2006
Ontwikkelen en valideren GGI
Training set: n = 64 validatie set: n = 597
resultaten Risico op herval: hoge GGI t.o.v. lage GGI: histologische graad 2
HR (95%BI) 3.61 (2.25 - 5.78)
P <.001
Prognostische waarde Loi et al., 2007
n = 666
Voorspellen ziektevrije overleving
Multivariabele* analyse van ziektevrije overleving: lage GGI t.o.v. hoge GGI HR (95%BI) P Tamoxifen 1.96 (1.27-3.02) 0.0024 Tamoxifen + 2.50 (1.28-4.90) 0.0074 * leeftijd, tumorgrootte, histologische graad, lymfeklierstatus (enkel bij tamoxifen+) ER status, PR status en genomische graad
Voorspellen pathologische respons op neoadjuvante chemotherapie
Analyse lage GGI t.o.v. hoge GGI karakteristiek Tumorgraad ER status Respons op neoadjuvante chemo (pCR/RCB-I of RCB-II of RCB-III)
Predictieve waarde Symmans et al., 2008 Liedtke et al, 2009
n =229
Hervalvrije overleving na chemo *
2
P* <0.001 <0.001 <0.001 0.005
test.
MapQuant TM Genomic Grade Geen publicatie
onbekend
MapQuant Dx reproduceerbaarheid
Reproduceerbaarheid CV<5% concordantie tussen Genomische Graad en Elston-Ellis histologische gradering: 92.3%.
36
2.6 Overige gensignaturen Verscheidene alternatieve gensignaturen zijn reeds gerapporteerd. Het betreft onder meer de rol van tumoromgeving [98], de chromosomale instabiliteit [99], de stamcelbiologie [100-102] en het proces van metastasering en kolonisatie [103-105]. Deze signaturen bieden nieuwe inzichten in de biologie van borstkankertumoren. Zo is er een “Wound-response signature” opgesteld vanuit de hypothese dat genen betrokken bij wondheling mogelijks geassocieerd zijn met kankerprogressie en dus overleving (bottom-up aanpak) [106]. Expressie van deze genen correleerde met significant slechtere klinische borstkankerprognose. De signatuur verbeterde de risicostratificaties gebaseerd op de NIH en St. Gallen richtlijnen [107]. De “P53 signatuur” vertrekt van de hypothese dat verstoorde p53 werking geassocieerd is met meer agressieve en therapeutisch refractaire tumoren. Een 32 genen test werd gegenereerd ter evaluatie van de functionele status van de p53 signaaltransductie. Alhoewel geen van de geïncludeerde genen gekende transcriptionele p53 doelwitten zijn, vertoonde de signatuur een meer accurate prognostische waarde dan p53 mutatie status bepaald door sequentiëring [108]. Bij de “Invasiviteit gen signatuur” (IGS) onderzocht men kankercellen gekarakteriseerd door CD44 expressie met lage tot niet detecteerbare expressie van CD24. De 186 geselecteerde genen vertoonden een sterke correlatie met metastasevrije en totale overleving, niet enkel bij patiënten met borstkanker (P < 0.001) maar ook bij andere types van kanker (medulloblastoma, longkanker en prostaatkanker). De prognostische kracht was enkel significant bij oestrogeen sensitieve tumoren, zoals eveneens bij andere prognostische profielen geobserveerd werd [101]. De “death from cancer signature” (“kanker stamcel signatuur”) is gebaseerd op het concept dat kankerstamcellen in de primaire tumor de drijvende kracht zijn voor tumorprogressie en metastasering. Activatie van celvernieuwende mechanismen, zoals het BMI-1 oncogen, zou bijdragen tot de overleving van de kankerstamcel. De 11 geselecteerde genen correleerden met slechte prognose en neiging tot metastatische uitzaaiing bij verscheidene types van humane kanker, inclusief borstkanker. Analyse van de biologische functie van deze genen toonde hoofdzakelijk betrokkenheid bij celcyclus controle, mitose en apoptose [100]. Andere
onderzoeksgroepen
duidden
erop
dat
borsttumoren
mogelijks
genetisch
geprogrammeerd zijn om te metastaseren naar specifieke orgaanplaatsen. Weefselspecifieke signaturen [103-105, 109, 110] voor de preferentiële metastasering van primaire borstkanker naar bot, longen, hersenen of elders, voorzien in nieuwe biologische inzichten. In de toekomst zou men op basis hiervan nieuwe en effectiever gerichte therapieën kunnen ontwikkelen.
37
3. Wat zijn de toekomstperspectieven? Verscheidene genomische testen worden momenteel klinisch verder ontwikkeld. Vier van de hierboven beschreven testen zijn reeds commercieel beschikbaar: MammaPrint, Oncotype DX, Theros en MapQuant DX (zie tabel 6). Deze commerciële testen vormen een eerste introductie van de genexpressie techniek in de klinische praktijk.
Tabel 6. Overzicht commercieel beschikbare genomische testen bij patiënten met borstkanker. (Aangepast uit [111] en [61]) MammaPrint
Oncotype DX
Theros
MapQuant DX
Provider
Agendia
Genomic Health
Biotheranostics
Ipsogen
Test
70-genen test
21-genen RS
H/I ratio of MGI
Genomische graad
Type weefsel
Vers of bevroren
FFPE
FFPE
Vers of bevroren
Centraal
Ja
Ja
Ja
ja
FDA toelating
Ja
Nee
Nee
Nee
Beschikbaarheid
Europa en VS
VS
VS
Europa
Kost
$ 3,200
$ 3,400 – 3,500
$ 3,000
$ 3,000
Indicatie
Bepalen prognose
Vermijden van
Borstkanker (ER+)
Invasieve primaire
bij borstkanker
adjuvante
stratifiëren naar
ER+ graad 2
(< 61 jaar,
chemotherapie bij
hervalrisico en
borsttumoren
stadium I of II,
borstkanker (ER+,
respons op
restratifiëren in
N0, ≤ 5 cm)
N0, tamoxifen+)
endocriene therapie
graad 1 of graad 3
gecertificeerd labo*
met laag hervalrisico * laboratoria werden gecertificeerd volgens de criteria van de Clinical Labaratory Improvement Amendments (CLIA) of door de International Organisation of Standardisation (ISO)
Niettegenstaande MammaPrint reeds door de FDA is goedgekeurd voor klinisch gebruik en Oncotype DX door de ASCO en NCCN richtlijnen ondersteund wordt, is de afwezigheid van prospectieve, gerandomiseerde vergelijkingen tussen genomische testen en klinische factoren bij het maken van therapeutische beslissingen opmerkelijk. Twee zulke grote prospectieve, gerandomiseerde klinische studies zijn lopende om de klinische bruikbaarheid van MammaPrint (MINDACT studie) en Oncotype DX (TAILORx studie) te testen. Hoewel de design van deze studies verschillend is, willen beiden het nut van signaturen nagaan bij het bepalen van de meest geschikte therapie voor de individuele lymfekliernegatieve, hormoongevoelige borstkankerpatiënt. De resultaten van deze studies zouden waardevolle informatie kunnen verschaffen betreffende het gebruik van genexpressie
38
signaturen in de dagdagelijkse praktijk. Belangrijke problemen op logistiek, technisch en analytisch vlak (zoals de behandeling van het weefsel, de reproduceerbaarheid en de kwaliteitscontrole) kunnen zo verholpen worden.
MINDACT
MINDACT (Microarray In Node negative and 0 to 3 positive lymp node Disease may Avoid ChemoTherapy) wordt uitgevoerd door het TRANSBIG consortium, gecoördineerd door de EORTC. Het is een multicenter prospectieve gerandomiseerde studie die de 70 genen signatuur vergelijkt met de traditionele klinisch- pathologische criteria (Adjuvant!Online) bij het selecteren van borstkankerpatiënten voor adjuvante chemotherapie (zie fig. 8). In de MNDACT trial zijn twee additionele vragen ingesloten met betrekking tot de meest optimale behandeling zowel wat betreft chemotherapie als hormonale therapie. De vooropgestelde hypothese is dat gebruik van MammaPrint in aanvulling op de traditionele parameters (leeftijd, tumorgrootte, graad, hormoongevoeligheid) zal resulteren in een meer accurate risicobeoordeling. Indien dit juist blijkt te zijn, wordt verwacht dat men bij 10 tot 20 % van de lymfeklier negatieve patiënten in de toekomst chemotherapie, en de potentiële neveneffecten hiervan, veilig zal kunnen vermijden [112, 113].
39
MINDACT design
Figuur 8. MINDACT design. Randomisatie wordt uitgevoerd wanneer de risicostratificatie van MammaPrint en Adjuvant!Online discordant is. Endocriene therapie wordt gegeven bij hormoonresponsieve patiënten.
40
TAILORx
De Trial Assigning IndividuaLized Options for Treatment (TAILORx), opgezet in de Verenigde Staten, is gesponsord door de National Cancer Intergroup (TBCI, North American consortium) en wordt uitgevoerd door de ECOG. Deze partieel gerandomiseerde studie (zie fig. 9) zal naar verwachting meer dan 1000 sites en 10.000 vrouwen met recent gediagnosticeerde, stadium I of II borstkanker (ER+ en/of PR+, HER2-, N0 en ≥ 1 cm) bevatten. Na vervolledigen van de studiebehandeling voorziet men een periodieke opvolging tot 20 jaar na start. Patiënten worden toegekend aan één van drie behandelingsgroepen, gebaseerd op het risico op metastasen volgens Oncotype DX. De primaire therapie bestaat uit chirurgie, eventueel gevolgd door radiotherapie. In groep 1 (secundaire studiegroep 1; RS < 11) krijgen patiënten adjuvante hormonale therapie (tamoxifen, aromatase inhibitor, of tamoxifen gevolgd door aromatase inhibitor) gedurende 5 of 10 jaar. Patiënten in groep 2 (primaire studie groep; RS 11-25) worden gerandomiseerd in twee armen; hormonale therapie versus een combinatie van chemotherapie en hormonale therapie. Groep 3 (secundaire studiegroep 2; RS > 25) omvat de patiënten die behandeld worden met chemotherapie gevolgd door hormonale therapie. De gebruikte drempelwaarden zijn lager dan de conventionele grenzen voor hoog (≥30) en laag (<18) risico bij de Recurrentie Score.. De studie heeft twee primaire doeleinden. Enerzijds bepalen of adjuvante hormonale therapie al dan niet inferieur is ten opzichte van de combinatie van chemotherapie met hormonale therapie bij de “onzeker chemotherapie voordeel” categorie (groep 2). Dit wordt beoordeeld aan de hand van ziektevrije overleving, metastasevrij interval, hervalvrij interval en totale overleving. Anderzijds is het tweede doel het creëren van een weefselbank met FFPE tumorspecimens, weefsel microarrays, plasma en DNA verkregen van perifeer bloed. Dit materiaal is onder meer van toekomstig belang bij het evalueren van nieuwe kankertesten. Tevens zijn er vier secundaire objectieven. Ten eerste zal men bepalen of adjuvante hormonale therapie als behandeling volstaat (metastasevrije overleving na 10 jaar van minstens 95%) voor vrouwen uit groep 1 wiens tumor voldoet aan de vastgestelde klinische richtlijnen voor adjuvante chemotherapie. Ten tweede wil men de resultaten na 10 jaar vergelijken tussen Adjuvant!Online en de Oncotype DX test. Deze gegevens kunnen gebruikt worden bij het creëren en verfijnen van modellen die klassieke informatie combineren met genomische testen. Ten derde zal men in groep 2 afzonderlijk bij de wel en geen chemotherapie groepen de predictieve kracht preciseren van de RS bij het voorspellen van chemotherapie behandelingsvoordeel. Tot slot zal men niet enkel bepalen wat de prognostische significantie is van de totale RS, maar ook van de individuele RS genen groepen (proliferatie genengroep, HER2 genengroep, ER genengroep, invasie genengroep en andere genen) [114-117] .
41
TAILORx design
Figuur 9. TAILORx design. * hormonale therapie kan bestaan uit tamoxifen, een aromatase inhibitor, of tamoxifen gevolgd door een aromatase inhibitor.
42
DISCUSSIE Wat is de klinische relevantie van moleculaire signaturen in de patiëntenzorg? Hoe ver zijn we hiervan nog verwijderd? Incorporatie van microarrays in de praktijk verstrekt informatie op drie verschillende niveaus. [A] Genexpressie profilering zorgt voor een beter begrip van de biologie van borstkanker. Dit biedt de mogelijkheid tot het classificeren van tumoren volgens onder meer ER en HER2 status [118]. Zo kan men tevens nieuwe doelwitten identificeren voor gerichte therapie (zoals PIK3CA inhibitoren [119]). [B] Deze techniek heeft een prognostische waarde bij het bepalen welke patiënten kunnen gespaard blijven van potentieel toxische therapie [50]. [C] Tot slot vormt genexpressie profilering een predictief hulpmiddel bij het kiezen van de meest optimale therapie door het voorspellen van de gevoeligheid voor endocriene therapie [95], chemotherapie [27], en eventuele gerichte therapieën op nieuwe doelwitten. Ondanks het grote potentieel van genexpressie profilering, zullen borstkankerdiagnose en behandelingsbeslissingen echter grotendeels blijven steunen op klassieke histopathologische en klinische parameters tot bepaalde cruciale problemen verhelderd zijn. De belangrijkste uitdagingen van genexpressie profilering worden hieronder samengevat.
Heterogeniteit tussen en binnen genexpressie signaturen
De beperkte genenoverlap tussen de verschillende signaturen zorgt voor veel scepticisme omtrent de individuele waarde en generaliseerbaarheid van genexpressie profielen. Zo hebben de 76 genen en 70 genen signatuur slechts drie genen gemeenschappelijk. Tussen MammaPrint en Oncotype DX is dit zelfs maar één gen. Dat verscheidene gelijkaardige studies prognostische signaturen identificeren van variabele compositie zou kunnen verklaard worden door de methodologische en conceptuele heterogeniteit. We vermelden hierbij onder meer de verschillen in patiëntenselectie, populatiegrootte, microarray platformen, probes en een tekort aan consensus in gebruik van analytische methodologie en data normalisatie methodes [3]. Ook de eindpunten (ziektevrije overleving, totale overleving, metastasevrije overleving, gemeten na 5 jaar, 10 jaar, …) verschillen van studie tot studie, net zoals de testprocedures (weefselpreparatie, transport,…). De onderzoeken werden tevens niet steeds met de commercieel beschikbare test uitgevoerd. Zo zijn de studies voor Oncotype DX voornamelijk uitgevoerd door gebruik te maken van de commerciële test, in tegenstelling tot Mammaprint waar de meeste onderzoeksresultaten gebaseerd zijn op de signatuur zelf. De analytische procedures vertonen eveneens heterogeniteit; bijna alle studies betreffende de H/I ratio zijn berekend of toegepast op een subtiel verschillende wijze.
43
Een alternatieve verklaring voor de opgemerkte verschillen is het tekort aan onafhankelijke metingen van de tot expressie gebrachte genen. Bovendien zijn de statistische analyses om individuele genen geassocieerd aan klinisch resultaat te selecteren vaak beperkt. Dit is te wijten aan het kleine aantal stalen geïncludeerd in de training sets bij de ontwikkeling van de classificeerders [120, 121]. Het gebrek aan genenoverlap kan eveneens een reflectie zijn van de complexiteit van klinische fenotypes waarbij meerdere moleculaire pathways betrokken zijn [122]. Ondanks de verschillen in gencompositie vertonen de meeste classificeerders namelijk een hoge concordantie bij het voorspellen van de overleving in onafhankelijke patiëntenpopulaties. Dit suggereert dat ze zeer gelijkende informatie bevatten. Er is een enorme hoeveelheid aan genen behorende tot dezelfde familie. Effectieve signaturen zouden kunnen verkregen worden op basis van een beperkt aantal genen om gemeenschappelijke pathways, betrokken bij prognose, te representeren [52]. Zo werd aangetoond dat de resulterende set van genen uit een dataset niet uniek is; meerdere verschillende prognostische signaturen met gelijkaardige performantie kunnen worden samengesteld [123].
Vergelijken en integreren van verschillende gensignaturen
Alvorens genexpressie signaturen een veralgemeend klinisch instrument kunnen zijn, zullen vragen rijzen over hoe testen het best onderling vergeleken worden. Bovendien vraagt men zich af of het combineren van deze testen een bijkomende waarde kan leveren. Het blijft momenteel onduidelijk of de uiteindelijke classificeerder zal bestaan uit een serie van signaturen, of één enkele signatuur die de anderen overtreft. Comparatief effectiviteitonderzoek met het standaardiseren van data-uitwisseling en verwerkingsmethoden is hiervoor noodzakelijk. Reeds vroeg in de ontwikkeling zou men het contrasteren en combineren met de bestaande gensignaturen moeten aanmoedigen. Een aantal studies waagden zich reeds aan onderlinge vergelijkingen [124-126]. De signaturen vertoonden hierbij een gelijkaardige vermogen tot voorspellen van overleving, en een hoge concordantie van risicobepaling. Deze studies zijn echter retrospectief en gebaseerd op beperkte datasets. Bovendien kon men geen significante verbetering in de accuraatheid van voorspellingen aantonen bij combinatie van signaturen. Tevens wordt niet verhelderd hoe de verschillende genen aan elkaar gerelateerd zijn, noch wordt de bijdrage van gekende biologische processen van borstkanker tumorgenese tot hun prognostische kracht onderzocht. Klinische variabelen die de mate van tumorprogressie meten, zoals tumorgrootte en lymfeklierstatus, voegden nog steeds onafhankelijke prognostische informatie toe aan de gensignaturen. Verdere inspanningen zijn nodig om microarray datasets gezamenlijk te analyseren en een consensus genexpressie signatuur te ontwikkelen voor een grotere patiëntenpopulatie ter vervanging
44
van vele verschillende signaturen gebaseerd op kleinere datasets. De selectie van deze optimale genenset
dient
te
gebeuren
in
een
grote
set
van
borstkankerpatiënten
met
dezelfde
behandelingsregimes, klinisch stadium en subgroep [127, 128]. Prognostische signaturen, afgeleid van eenzelfde cohort, kunnen erg verschillend presteren in andere cohorten [129]. De uiteindelijke consensus signatuur zou multipele, afzonderlijke voorspellingen (prognose, ER en HER2 status, sensitiviteit voor verscheidene therapieën,…) kunnen genereren met één enkele test door het analyseren van verschillende sets van genen uit hetzelfde weefsel. Dit zou substantieel de kosteneffectiviteit verbeteren [130].
Klinisch voordeel en kosteneffectiviteit
De werkelijke kost bij het uitvoeren van een genexpressie analyse ligt veel hoger dan deze bij het bepalen van conventionele klinische en pathologische merkers. De potentiële besparing in termen van overbehandeling zou evenwel substantieel kunnen zijn. Er kunnen echter nog geen sterke uitspraken gemaakt worden over het klinische voordeel en de kosteneffectiviteit van de signaturen boven de standaard parameters bij het begeleiden van de keuze tot adjuvante therapie. Zo oordeelde de Update Committee dat voor definitieve aanbevelingen ontrent het gebruik van MammaPrint in de klinische praktijk meer transparante studies nodig zijn (dit ondanks de toelating van de US FDA). De exacte waarde van de testresultaten gaat in vele studies verloren wanneer patiënten toegekend worden aan risicocategorieën. De grenswaarden voor deze categorieën stemmen bovendien niet met zekerheid overeen met de meest optimale beslissingsdrempels, voornamelijk wanneer de test gecombineerd wordt met andere prognostische en/of predictieve factoren. Bepaalde studies claimen dat de 70 genen signatuur en de 21 genen recurrentie score wel degelijk onafhankelijke informatie voorzien na multivariabele aanpassing voor klassieke risicofactoren [46, 65]. Dit terwijl andere onderzoekers tot tegengestelde conclusies kwamen bij het vergelijken van genexpressie met sterke klassieke predictieve systemen (bv. De NPI) of geoptimaliseerde combinaties van conventionele merkers [131-134]. Bijkomend onderzoek is noodzakelijk om het bovenstaande probleem te verhelderen. Er is een belangrijk verschil tussen het valideren van een classificeerder en zijn gebruik in de klinische praktijk rechtvaardigen. Dit laatste noodzaakt bewijs van significante verbetering van de kwalitatieve en kwantitatieve overleving bij gebruik van de classificeerder voor het maken van de behandelingskeuzes. Ioannidis (2007) bespreekt de verscheidene stappen die moeten gezet worden alvorens moleculaire profilering bruikbaar is voor het klinische beslissingsproces [135]. Eerst is er de testontwikkeling en standaardisatie. Hierna volgt de demonstratie van diagnostische, prognostische en predictieve waarde. Vervolgens dient de performantie gevalideerd te worden. In gerandomiseerde studies moet de signatuur onafhankelijke informatie voorzien bovenop de klassieke prognostische en predictieve factoren. Alvorens routine, vrij verkrijgbare informatie te vervangen door kostelijke, ingewikkelde
45
signaturen, dienen alle beschikbare klassieke risicofactoren in overweging genomen te worden. De evidentie voor de signatuur moet non-selectief en transparant accumuleren. Het klinisch effect (werkzaamheid) en voordeel bij routine klinisch gebruik (effectiviteit of doeltreffendheid) dient bewezen te worden. Vervolgens wordt de techniek geïntegreerd in de klinische praktijk en kan men de kosten- effectiviteit (doelmatigheid of efficiëntie) evalueren [136]. Voor elk van deze ontwikkelingsstadia is er nood aan grote datasets. Een grotere studiegroep genereert gensignaturen met betere stabiliteit, betere concordantie met prognostische voorspelling, en betere predictie accuraatheid. De studies ter evaluatie van prognostische indicatoren die tot op heden zijn uitgevoerd zijn echter zeer klein, retrospectief ontwikkeld op gearchiveerd materiaal van vele jaren geleden, en enkel toegepast op een subset van kankerpatiënten met minder gevorderde ziekte. Prospectieve studies gebaseerd op grotere patiëntencohorten die het totale spectrum van borstkanker representeren, zijn nodig alvorens genexpressie profilering kan gerealiseerd worden in de klinische geneeskunde. De ideale waardebeoordeling van deze testen gebeurt in prospectieve studies door randomisatie van de patiënten voor al dan niet gebruik van de test als een deel van hun therapeutische beslissingsproces. Zo ken men bewijzen dat een ‘classificeerder- geïnformeerde’ behandelingsstrategie garant staat voor een betere klinische uitkomst dan een ‘classificeerder- blinde’ arm [137]. Twee prospectieve gerandomiseerde gecontroleerde studies, TAILORx (voor Oncotype DX RS) en MINDACT (voor MammaPrint), zijn momenteel aan de gang en zullen evalueren wat de toegevoegde waarde is van de prognostische expressie signatuur boven de standaard klinische en histopathologische factoren. Het nadeel van deze grote studies is dat de resultaten vele jaren op zich laten wachten. Het proces van klinische validatie om niveau I bewijs over de relevantie in de dagelijkse borstkankerbehandeling te verkrijgen is nog maar net begonnen. Bovendien stuit het nu reeds op vele organisatorische problemen.
Invloed van heterogene testpopulaties en genetische variabiliteit
Zoals hierboven wordt vermeld zouden de resultaten van populaties die klinisch en therapeutisch heterogeen zijn, niet optimaal zijn bij het bepalen van de prognose of het risico van een welbepaalde vrouw. De karakteristieken die men evalueert, worden waarschijnlijk beïnvloed door de behandeling, tumoreigenschappen, en klinische eigenschappen van de studiepopulatie. Oncotype DX focuste op een beperktere, klinisch en therapeutisch meer homogene groep dan de meeste andere testen. Dit wordt weerspiegeld in zijn geclaimde indicaties: patiënten met ER+, N0, stadium I of II borstkanker die met tamoxifen behandeld zijn. Mammaprint is getest in een meer heterogene populatie van zowel behandelde als onbehandelde patiënten, al dan niet lymfeklier positief, en al dan niet oestrogeen gevoelig. De indicaties voor MammaPrint zijn hierdoor breder en hoewel ze overeenkomen met de populaties waarin de test geëvalueerd werd, is het de vraag of deze populaties als prognostisch
46
homogeen kunnen worden beschouwd. Ook de H/I is onderzocht in grote, heterogene populaties en verschillen in voorspellende capaciteit werden gevonden voor specifieke subgroepen. Het is bovendien niet geweten of genexpressie profielen meer of minder veralgemeenbaar zijn dan traditionele biomerkers over populaties met variërende genetische achtergrond. Genexpressie patronen zijn reeds geassocieerd met bepaalde genetische mutaties (bv. BRCA1), aantonend dat specifieke DNA mutaties of polymorfismen de performantie van een signatuur kunnen beïnvloeden [138]. Studies mogen niet enkel ontworpen worden voor de borstkankerpopulatie als een geheel, maar dienen tevens gericht te zijn op relevante moleculaire subtypes. De kosten hiervoor zullen substantieel zijn. Toch beschouwt men dit als een noodzakelijke investering om de dure empirische oncologische behandelingen te verlaten voor werkelijk geïndividualiseerde therapieën die tot niet onaanzienlijke besparingen kunnen leiden op lange termijn.
Reproduceerbaarheid, standaarden en databases
De beschikbare literatuur betreffende genexpressie profilering leidt aan selectieve rapportering en publicatiebias. De recente REMARK verklaring [139] doet een inspanning om de rapportering van tumor prognostische merkerstudies te standaardiseren en zal hopelijk helpen bij het verbeteren van de transparantie in de toekomst. Anderzijds representeren de MIAME standaarden [140] de basis voor correcte collectie en opslag van microarray data. Deze richtlijnen zouden steeds moeten toegepast worden bij het archiveren van testen bij patiënten. Databases met de volledige data van iedere patiënt (zonder identificerende informatie) zijn nodig. Dit includeert tevens informatie betreffende de analyses en procedures gebruikt om het risico van het tumorstaal in te schatten. Zulke databases zouden de huidige beperkte validatie databases kunnen vernieuwen en uitbreiden. Het bestaan hiervan zou een grote hulp zijn bij het ontwikkelen en valideren van (nieuwe en oude) genexpressie testen.
Technische performantie
Microarray profilering is ongetwijfeld een krachtig instrument en de gebruikte technologie bewees klaar te zijn voor de klinische praktijk (zie vroeger; MAQC) [16]. Weefselbehandeling en preparatie kan echter de testkwaliteit substantieel beïnvloeden door de instabiliteit van RNA. Centralisatie van weefselverwerking is een sterkte, maar bijkomend onderzoek zal nodig zijn wanneer ook andere laboratoria testen aanbieden. Algemener gebruik van de technologie zou de betrouwbaarheid kunnen belasten. Blijvende observatie van de accuraatheid is noodzakelijk.
47
Evoluerende behandelingen
Nieuwe therapeutische geneesmiddelen worden aan een razend tempo ontwikkeld. De huidige evidentie rond genexpressie testen is echter voornamelijk gebaseerd op patiënten behandeld met oudere therapieën (bv. Tamoxifen). Het is niet steeds geweten hoe deze resultaten kunnen toegepast worden op patiënten behandeld met recentere therapeutische regimes (aromatase inhibitoren, antiHER2 geneesmiddelen) of alternatieve chemotherapeutica. Hoe kunnen de prognostische en predictieve factoren deze evoluerende behandelingen volgen? Opdat genexpressie profilering nuttig zou zijn, moet de initiatie van studies de introductie van nieuwe therapieën proberen bijhouden. Men moet kunnen evalueren in een kortere tijdspanne, en zo de klinische beschikbaarheid bespoedigen. Om deze problemen aan te kaarten stellen Sotiriou en Piccart (2007) een specifiek model voor bij het uitvoeren van borstkankerstudies [13]. Hierbij vergelijkt men een nieuwe therapie met de standaardzorg in zowel een preoperatieve setting – korte termijn surrogaat eindpunten toelatend (zoals pathologische complete remissie)- als in een postoperatieve setting – met solide lange termijn eindpunten (zoals ziektevrije en totale overleving).
Vroege en late metastasen
Men stelt zich de vraag of er sprake is van een differentiële prognostische waarde t.o.v. vroege en late metastasen. Verschillende mechanismen zouden aan de basis liggen voor de ontwikkeling van beide groepen. Zo is er de hypothese dat cellen kunnen uitzaaien tijdens verschillende stadia van de borstkanker tumorgenese en primaire tumorontwikkeling. Cellen die uitzaaien vóór de primaire tumorontwikkeling (in een vroeg genomisch stadium) dienen nog genetische wijzigingen te ondergaan en de juiste signalen te ontvangen van de lokale micro-omgeving alvorens ze volledig actief worden. Ze blijven als het ware eerst in “slaaptoestand”. Dit verklaart het optreden van late metastasen met hetzelfde globale fenotype van de primaire tumor. Er zijn ook cellen die uitzaaien vanuit de primaire tumor in een verder gevorderd stadium, met reeds de genomische achtergrond die nodig is voor metastatische ontwikkeling. Deze zouden verantwoordelijk zijn voor de vroege metastasen. Dit betekent dat door profilering van primaire tumorweefsels men niet noodzakelijk informatie verkrijgt met betrekking tot de jonge uitgezaaide tumorcellen die zich in een minder ver gevorderd genomisch stadium bevinden. Klinisch impliceert dit dat adjuvante therapie enkel helpt bij het uitroeien van “actieve” uitgezaaide borstkankercellen, deze die reeds de volledige capaciteit verworven hebben van ongecontroleerde groei en zich zouden ontwikkelen tot vroege metastasen. Om de “slapende” uitgezaaide cellen eveneens te doden zouden nieuwe gerichte adjuvante therapieën moeten ontwikkeld worden. Late adjuvante chemotherapie of overschakelen op langtermijn endocriene therapie (tot meer dan 10 jaar) kunnen eventueel overwogen worden.
48
Combinatie van klinische en genomische data
Tot slot is genexpressie profilering slechts een van de vele krachtige nieuwe instrumenten die ter beschikking staan om de biologische complexiteit van borstkanker bloot te leggen. De realisatie van gepersonaliseerde geneeskunde noodzaakt niet enkel tot karakterisatie van de individualiteit van kankercellen met betrekking tot hun genexpressie. Ook het verhelderen van de genetische constitutie door analyse van het basis genetisch profiel (DNA) van de patiënt is onontbeerlijk. Genetische variatie in het humane genoom zou sterk bijdragen tot verschillen in ziekte, therapeutische bijwerkingen en respons op behandeling (bv. geneesmiddelenmetabolisme en de associatie tussen tamoxifenresponsiviteit en genetische varianten van CYP2D6) [141]. Bovendien correleert het transcriptioneel niveau slechts partieel met het eiwit niveau, zodat posttranscriptionele modificaties in rekening moeten worden gebracht. Belangrijke technologieplatformen worden ontwikkeld om deze genetische en epigenetische wijzigingen te analyseren in DNA, RNA en functionele eiwitten [10]. De uitdaging bij de integratie van deze verscheidenheid van informatie is het evalueren van de relatieve bijdragen van deze data, zowel moleculair als klinisch, bij het voorspellen van borstkankerprognose en respons op therapie. Het is niet ondenkbaar dat één of meerdere genexpressie classificeerders gecombineerd kunnen worden in een model met traditionele klinisch- pathologische parameters. Deze laatste bevatten nog steeds belangrijke prognostische informatie [13, 127, 142]. Voornamelijk wanneer bij conventionele parameters het risico twijfelachtig is (bv. intermediaire expressie van ER en intermediaire histologische graad), zou genexpressie de klinische beslissingen kunnen begeleiden. Het vervangen van histologische graad door genomische graad in de huidig gebruikte prognostische modellen zoals NPI of Adjuvant!Online is hiervan een mooi voorbeeld. De ontwikkeling van deze integrerende modellen die traditionele klinisch- pathologische risicofactoren en complexe moleculaire factoren op meerdere niveaus (zoals genoom, transcriptoom en proteoom) en behandelingsinformatie combineren, zal het begrip van genotype en fenotype bij borstkanker verbeteren (zie fig. 10).
49
Figuur 10. Integratie van verschillende informatiebronnen bij het bepalen van prognose en behandeling.
50
SLOTBESCHOUWING Genexpressie profilering in borstkanker: reeds bruikbaar in de dagelijkse praktijk? Nee. Voorlopig nog niet althans. Genexpressie profilering is een veelbelovende stap tot gepersonaliseerde behandeling bij vrouwen met vroeg stadium borstkanker. Ondanks dit grote potentieel zal borstkanker diagnose en behandeling grotendeels blijven steunen op klassieke histopathologische en klinische parameters tot een aantal cruciale problemen verhelderd zijn. Bijkomende validatie moet verstrekt worden, gezien de studies tot op heden steeds retrospectief zijn uitgevoerd. Bovendien is verdere optimalisatie en standaardisatie van de techniek in deze fase nog onontbeerlijk. Duidelijke `guidelines' zouden ongetwijfeld nuttig zijn; onmiddellijk toepasbare en uniforme aanbevelingen ter ondersteuning van de besluitvorming bij de zorg voor patiënten. De richtlijnen dienen te berusten op grondig wetenschappelijk onderzoek, meta-analyses en systematische reviews. Guidelines zijn gericht op doeltreffend en doelmatig handelen en vermelden een graad van aanbeveling op basis van de sterkte van de gevonden evidentie. Zij vormen een bruikbaar instrument om eenduidigheid te scheppen in een controversieel onderwerp zoals genexpressie profilering. Het zal een uitdaging zijn de toenemende hoeveelheid beschikbare informatie uit genexpressie profilering om te zetten in bruikbare instrumenten die klinische beslissingen kunnen optimaliseren en behandelingsregimes kunnen richten op de individuele patiënt. Dit zou uiteindelijk moeten leiden tot een verbeterde overleving en verminderde totale kost. Goed ontworpen klinische studies betreffende de relatie van voorspeld tot geobserveerd risico in verschillende populaties en hun incrementele bijdrage over conventionele prognostische en predictieve factoren dringen zich daarom op. Overtuigende resultaten hieromtrent en onderzoek betreffende de optimale implementatie en relevantie voor de patiënt zijn noodzakelijk alvorens microarrays betrouwbaar kunnen ingezet worden als hulpmiddel bij het klinische beslissingsproces. Investering in deze studies dient te gebeuren indien men besparing van behandelingskosten op lange termijn wil bereiken, voornamelijk omwille van de toenemende beschikbaarheid van dure therapeutica. Genexpressie profilering testen zullen ongetwijfeld een belangrijke impact hebben op de praktijk. Mogelijks zal de rol van de pathologen wijzigen. Maar in wezen houden microarrays de belofte in om de huidige prognostische en predictieve instrumenten eerder te verbeteren dan te vervangen. Genexpressie profilering; een belofte voor morgen.
51
REFERENTIELIJST
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23.
Stichting kankerregister. Belgian Cancer Registry. [cited 2009 2 november]; Available from: http://www.kankerregister.org/. Goldhirsch, A., et al., Thresholds for therapies: highlights of the St Gallen International Expert Consensus on the primary therapy of early breast cancer 2009. Ann Oncol, 2009. 20(8): p. 1319-29. Smeds, J., et al., Gene profile and response to treatment. Ann Oncol, 2005. 16 Suppl 2: p. ii195-202. The National Institutes of Health Consensus Development Conference: Adjuvant Therapy for Breast Cancer. Bethesda, Maryland, USA. November 1-3, 2000. Proceedings. J Natl Cancer Inst Monogr, 2001(30): p. 1-152. Dobbe, E., et al., Gene-expression assays: new tools to individualize treatment of early-stage breast cancer. Am J Health Syst Pharm, 2008. 65(1): p. 23-8. Adjuvant!Inc. adjuvant! online. [cited 2009 2 november]; Available from: www.adjuvantonline.com Ravdin, P.M., et al., Computer program to assist in making decisions about adjuvant therapy for women with early breast cancer. Journal of Clinical Oncology, 2001. 19(4): p. 980-991. Pusztai, L. and K.R. Hess, Clinical trial design for microarray predictive marker discovery and assessment. Annals of Oncology, 2004. 15(12): p. 1731-1737. Marchionni, L., et al., Systematic review: Gene expression profiling assays in early-stage breast cancer. Annals of Internal Medicine, 2008. 148(5): p. 358-W81. Nagasaki, K. and Y. Miki, Gene expression profiling of breast cancer. Breast Cancer, 2006. 13(1): p. 2-7. Reis-Filho, J.S., C. Westbury, and J.Y. Pierga, The impact of expression profiling on prognostic and predictive testing in breast cancer. J Clin Pathol, 2006. 59(3): p. 225-31. Gruvberger-Saal, S.K., et al., Microarrays in breast cancer research and clinical practice--the future lies ahead. Endocr Relat Cancer, 2006. 13(4): p. 1017-31. Sotiriou, C. and M.J. Piccart, Taking gene-expression profiling to the clinic: when will molecular signatures become relevant to patient care? Nat Rev Cancer, 2007. 7(7): p. 545-53. Irizarry, R.A., et al., Multiple-laboratory comparison of microarray platforms. Nat Methods, 2005. 2(5): p. 345-50. Larkin, J.E., et al., Independence and reproducibility across microarray platforms. Nat Methods, 2005. 2(5): p. 337-44. Shi, L., et al., The MicroArray Quality Control (MAQC) project shows inter- and intraplatform reproducibility of gene expression measurements. Nat Biotechnol, 2006. 24(9): p. 1151-61. Guo, L., et al., Rat toxicogenomic study reveals analytical consistency across microarray platforms. Nat Biotechnol, 2006. 24(9): p. 1162-9. Simon, R., Roadmap for developing and validating therapeutically relevant genomic classifiers. J Clin Oncol, 2005. 23(29): p. 7332-41. Henry, N.L. and D.F. Hayes, Uses and abuses of tumor markers in the diagnosis, monitoring, and treatment of primary and metastatic breast cancer. Oncologist, 2006. 11(6): p. 541-52. Gralow, J.R., et al., Preoperative therapy in invasive breast cancer: pathologic assessment and systemic therapy issues in operable disease. J Clin Oncol, 2008. 26(5): p. 814-9. Bild, A.H., et al., An integration of complementary strategies for gene-expression analysis to reveal novel therapeutic opportunities for breast cancer. Breast Cancer Res, 2009. 11(4): p. R55. Bild, A.H., et al., Oncogenic pathway signatures in human cancers as a guide to targeted therapies. Nature, 2006. 439(7074): p. 353-7. Bonnefoi, H. and P. de Cremoux, [New predictive factors for chemosensitivity of breast cancers]. Bull Cancer, 2008. 95(10): p. 943-50.
52
24. 25. 26. 27. 28. 29. 30. 31. 32. 33. 34. 35. 36. 37. 38. 39. 40. 41. 42. 43. 44. 45. 46. 47.
Bonnefoi, H., et al., Validation of gene signatures that predict the response of breast cancer to neoadjuvant chemotherapy: a substudy of the EORTC 10994/BIG 00-01 clinical trial. Lancet Oncol, 2007. 8(12): p. 1071-8. Chang, J.C., et al., Gene expression patterns in formalin-fixed, paraffin-embedded core biopsies predict docetaxel chemosensitivity in breast cancer patients. Breast Cancer Res Treat, 2008. 108(2): p. 233-40. Dressman, H.K., et al., Gene expression profiles of multiple breast cancer phenotypes and response to neoadjuvant chemotherapy. Clin Cancer Res, 2006. 12(3 Pt 1): p. 819-26. Hess, K.R., et al., Pharmacogenomic predictor of sensitivity to preoperative chemotherapy with paclitaxel and fluorouracil, doxorubicin, and cyclophosphamide in breast cancer. J Clin Oncol, 2006. 24(26): p. 4236-44. Ikeda, T., H. Jinno, and M. Shirane, Chemosensitivity-related genes of breast cancer detected by DNA microarray. Anticancer Res, 2007. 27(4C): p. 2649-55. Iwao-Koizumi, K., et al., Prediction of docetaxel response in human breast cancer by gene expression profiling. J Clin Oncol, 2005. 23(3): p. 422-31. Lee, J.K., et al., A strategy for predicting the chemosensitivity of human cancers and its application to drug discovery. Proc Natl Acad Sci U S A, 2007. 104(32): p. 13086-91. Modlich, O., et al., Immediate gene expression changes after the first course of neoadjuvant chemotherapy in patients with primary breast cancer disease. Clin Cancer Res, 2004. 10(19): p. 6418-31. Potti, A., et al., Genomic signatures to guide the use of chemotherapeutics. Nat Med, 2006. 12(11): p. 1294-300. Pusztai, L., K. Anderson, and K.R. Hess, Pharmacogenomic predictor discovery in phase II clinical trials for breast cancer. Clin Cancer Res, 2007. 13(20): p. 6080-6. Sotiriou, C., et al., Gene expression profiles derived from fine needle aspiration correlate with response to systemic chemotherapy in breast cancer. Breast Cancer Res, 2002. 4(3): p. R3. Staunton, J.E., et al., Chemosensitivity prediction by transcriptional profiling. Proc Natl Acad Sci U S A, 2001. 98(19): p. 10787-92. Zembutsu, H., et al., Predicting response to docetaxel neoadjuvant chemotherapy for advanced breast cancers through genome-wide gene expression profiling. Int J Oncol, 2009. 34(2): p. 361-70. Hu, Z., et al., The molecular portraits of breast tumors are conserved across microarray platforms. BMC Genomics, 2006. 7: p. 96. Perou, C.M., et al., Molecular portraits of human breast tumours. Nature, 2000. 406(6797): p. 747-52. Sorlie, T., et al., Gene expression patterns of breast carcinomas distinguish tumor subclasses with clinical implications. Proc Natl Acad Sci U S A, 2001. 98(19): p. 10869-74. Sorlie, T., et al., Repeated observation of breast tumor subtypes in independent gene expression data sets. Proc Natl Acad Sci U S A, 2003. 100(14): p. 8418-23. Sotiriou, C., et al., Breast cancer classification and prognosis based on gene expression profiles from a population-based study. Proc Natl Acad Sci U S A, 2003. 100(18): p. 10393-8. van 't Veer, L.J., et al., Gene expression profiling predicts clinical outcome of breast cancer. Nature, 2002. 415(6871): p. 530-6. Glas, A.M., et al., Converting a breast cancer microarray signature into a high-throughput diagnostic test. BMC Genomics, 2006. 7: p. 278. van de Vijver, M.J., et al., A gene-expression signature as a predictor of survival in breast cancer. N Engl J Med, 2002. 347(25): p. 1999-2009. Espinosa, E., et al., Breast cancer prognosis determined by gene expression profiling: a quantitative reverse transcriptase polymerase chain reaction study. J Clin Oncol, 2005. 23(29): p. 7278-85. Buyse, M., et al., Validation and clinical utility of a 70-gene prognostic signature for women with node-negative breast cancer. J Natl Cancer Inst, 2006. 98(17): p. 1183-92. Bueno-de-Mesquita, J.M., et al., Use of 70-gene signature to predict prognosis of patients with node-negative breast cancer: a prospective community-based feasibility study (RASTER). Lancet Oncol, 2007. 8(12): p. 1079-87.
53
48. 49. 50. 51. 52. 53. 54. 55.
56. 57. 58. 59. 60. 61. 62. 63. 64. 65. 66. 67. 68.
Oestreicher, N., et al., Gene expression profiling and breast cancer care: what are the potential benefits and policy implications? Genet Med, 2005. 7(6): p. 380-9. Espinosa, E., et al., Comparison of prognostic gene profiles using qRT-PCR in paraffin samples: a retrospective study in patients with early breast cancer. PLoS One, 2009. 4(6): p. e5911. Wang, Y., et al., Gene-expression profiles to predict distant metastasis of lymph-nodenegative primary breast cancer. Lancet, 2005. 365(9460): p. 671-9. Foekens, J.A., et al., Multicenter validation of a gene expression-based prognostic signature in lymph node-negative primary breast cancer. J Clin Oncol, 2006. 24(11): p. 1665-71. Desmedt, C., et al., Strong time dependence of the 76-gene prognostic signature for nodenegative breast cancer patients in the TRANSBIG multicenter independent validation series. Clin Cancer Res, 2007. 13(11): p. 3207-14. Paik, S., et al., A multigene assay to predict recurrence of tamoxifen-treated, node-negative breast cancer. N Engl J Med, 2004. 351(27): p. 2817-26. Paik, S., et al. Multi-gene RT-PCR assay for predicting recurrence in node negative breast cancer patients - NSABP studies B-20 and B-14. in 26th Annual San Antonio Breast Cancer Symposium. 2003. San Antonio, Texas. Esteban, J., et al. Tumor gene expression and prognosis in breast cancer: Multi-gene RT-PCR assay of paraffin-embedded tissue Abstract presentation from the 2003 ASCO Annual Meeting; Available from: http://www.asco.org/ASCOv2/Meetings/Abstracts?&vmview=abst_detail_view&confID=23& abstractID=104527. Cobleigh, M.A., et al., Tumor gene expression and prognosis in breast cancer patients with 10 or more positive lymph nodes. Clin Cancer Res, 2005. 11(24 Pt 1): p. 8623-31. Genomic Health. Oncotype DX, Breast cancer assay. [cited 2009 2 november]; Available from: http://www.oncotypedx.com/Index.aspx. Cronin, M., et al., Analytical validation of the Oncotype DX genomic diagnostic test for recurrence prognosis and therapeutic response prediction in node-negative, estrogen receptor-positive breast cancer. Clin Chem, 2007. 53(6): p. 1084-91. Bryant, J., Toward a more rational selection of tailored adjuvant therapy data from the National Surgical Adjuvant Breast and Bowel Project. 2005 St. Gallen Breast Cancer Symposium. [slide presentatie via Genomic Health], 2005. Paik, S., et al., Risk classification of breast cancer patients by the Recurrence Score assay: comparison to guidelines based on patient age, tumor size, and tumor grade. Breast Cancer Res Treat, 2004. 88((Suppl 1):A104 [Abstract]). Paik, S., Development and clinical utility of a 21-gene recurrence score prognostic assay in patients with early breast cancer treated with tamoxifen. Oncologist, 2007. 12(6): p. 631-5. Esteva, F.J., et al., Prognostic role of a multigene reverse transcriptase-PCR assay in patients with node-negative breast cancer not receiving adjuvant systemic therapy. Clin Cancer Res, 2005. 11(9): p. 3315-9. Habel, L.A., et al., A population-based study of tumor gene expression and risk of breast cancer death among lymph node-negative patients. Breast Cancer Res, 2006. 8(3): p. R25. Gianni, L., et al., Gene expression profiles in paraffin-embedded core biopsy tissue predict response to chemotherapy in women with locally advanced breast cancer. J Clin Oncol, 2005. 23(29): p. 7265-77. Paik, S., et al., Gene expression and benefit of chemotherapy in women with node-negative, estrogen receptor-positive breast cancer. J Clin Oncol, 2006. 24(23): p. 3726-34. Albain, K., et al., Prognostic and predictive value of the 21-gene recurrence score assay in postmenopausal, node-positive, ER-positive breast cancer (S8814,INT0100). Presented at the 30th Annual San Antonio Breast Cancer Symposium.Thursday, December 13, 2007. Jessup, J.M., T.G. Lively, and S.E. Taube, Program for the Assessment of Clinical Cancer Tests (PACCT): implementing promising assays into clinical practice. Expert Rev Mol Diagn, 2005. 5(3): p. 271-3. Paik, S., et al. Expression of the 21 genes in the Recurrence Score assay and tamoxifen clinical benefit in the NSABP study B-14 of node negative, estrogen receptor positive breast
54
69.
70. 71.
72.
73.
74.
75. 76. 77.
78. 79. 80. 81. 82. 83. 84. 85.
cancer. Abstract presentation from the 2005 ASCO Annual Meeting; Available from: http://meeting.ascopubs.org/cgi/content/abstract/23/16_suppl/510. Dowsett M, C.J., Wales C, Forbes J, Mallon L, Salter J, Quinn E, Bugarini R, Baehner FL, Shak S. Risk of distant recurrence using oncotype DX in postmenopausal primary breast cancer patients treated with anastrozole or tamoxifen: a TransATAC study. [cited 2009 2 november]; Available from: http://www.genomichealth.com/Images/AbstractPDF/Abstract_53.pdf. Oratz, R., et al., Impact of a Commercial Reference Laboratory Test Recurrence Score on Decision Making in Early-Stage Breast Cancer. Journal of Oncology Practice, 2007. Vol 3(No 4 (July)): p. pp. 182-186. Kamal, A.H., et al. How well do standard prognostic criteria predict oncotype DX (ODX) scores? 2007 ASCO Annual Meeting Available from: http://www.asco.org/ASCOv2/Meetings/Abstracts?&vmview=abst_detail_view&confID=47& abstractID=36060. Lo, S.S., et al. Prospective multicenter study of the impact of the 21-gene recurrence score (RS) assay on medical oncologist (MO) and patient (pt) adjuvant breast cancer (BC) treatment selection. . 2007 ASCO Annual Meeting Available from: http://www.asco.org/ASCOv2/Meetings/Abstracts?&vmview=abst_detail_view&confID=47& abstractID=34149. Lo, S.S., et al., Prospective Multicenter Study of the Impact of the 21-Gene Recurrence Score Assay on Medical Oncologist and Patient Adjuvant Breast Cancer Treatment Selection. Presented at the 30th Annual San Antonio Breast Cancer Symposium, San Antonio, TX, December 13-16, 2007. Abstract 1092. Liang, H., et al., A retrospective analysis of the impact of oncotype DX low recurrence score results on treatment decisions in a single academic breast cancer center. Presented at the 30th Annual San Antonio Breast Cancer Symposium, San Antonio, TX, December 13-16, 2007. Abstract 2061. Lyman, G.H., et al., Impact of a 21-gene RT-PCR assay on treatment decisions in early-stage breast cancer: an economic analysis based on prognostic and predictive validation studies. Cancer, 2007. 109(6): p. 1011-8. Hornberger, J., L.E. Cosler, and G.H. Lyman, Economic analysis of targeting chemotherapy using a 21-gene RT-PCR assay in lymph-node-negative, estrogen-receptor-positive, earlystage breast cancer. Am J Manag Care, 2005. 11(5): p. 313-24. Badve, S.S., et al., Estrogen- and progesterone-receptor status in ECOG 2197: comparison of immunohistochemistry by local and central laboratories and quantitative reverse transcription polymerase chain reaction by central laboratory. J Clin Oncol, 2008. 26(15): p. 2473-81. Allred, D.C., Problems and solutions in the evaluation of hormone receptors in breast cancer. J Clin Oncol, 2008. 26(15): p. 2433-5. Harris, L., et al., American Society of Clinical Oncology 2007 update of recommendations for the use of tumor markers in breast cancer. J Clin Oncol, 2007. 25(33): p. 5287-312. Regulations for implementing the Clinical Laboratory Improvement Amendments of 1988: a summary. MMWR Recomm Rep, 1992. 41(RR-2): p. 1-17. Ma, X.J., et al., A two-gene expression ratio predicts clinical outcome in breast cancer patients treated with tamoxifen. Cancer Cell, 2004. 5(6): p. 607-16. Reid, J.F., et al., Limits of predictive models using microarray data for breast cancer clinical treatment outcome. J Natl Cancer Inst, 2005. 97(12): p. 927-30. Jansen, M.P., et al., Re: Limits of predictive models using microarray data for breast cancer clinical treatment outcome. J Natl Cancer Inst, 2005. 97(24): p. 1851-2; author reply 1852-3. Goetz, M.P., et al., A two-gene expression ratio of homeobox 13 and interleukin-17B receptor for prediction of recurrence and survival in women receiving adjuvant tamoxifen. Clin Cancer Res, 2006. 12(7 Pt 1): p. 2080-7. Ma, X.J., et al., The HOXB13:IL17BR expression index is a prognostic factor in early-stage breast cancer. J Clin Oncol, 2006. 24(28): p. 4611-9.
55
86. 87. 88. 89.
90. 91. 92. 93. 94. 95.
96. 97. 98. 99. 100. 101. 102. 103. 104. 105. 106. 107.
Jansen, M.P., et al., HOXB13-to-IL17BR expression ratio is related with tumor aggressiveness and response to tamoxifen of recurrent breast cancer: a retrospective study. J Clin Oncol, 2007. 25(6): p. 662-8. Jerevall, P.L., et al., Exploring the two-gene ratio in breast cancer--independent roles for HOXB13 and IL17BR in prediction of clinical outcome. Breast Cancer Res Treat, 2008. 107(2): p. 225-34. Ma, X.J., et al., A five-gene molecular grade index and HOXB13:IL17BR are complementary prognostic factors in early stage breast cancer. Clin Cancer Res, 2008. 14(9): p. 2601-8. Elston, C.W. and I.O. Ellis, Pathological prognostic factors in breast cancer. I. The value of histological grade in breast cancer: experience from a large study with long-term follow-up. C. W. Elston & I. O. Ellis. Histopathology 1991; 19; 403-410. Histopathology, 2002. 41(3A): p. 151-2, discussion 152-3. Ignatiadis, M. and C. Sotiriou, Understanding the molecular basis of histologic grade. Pathobiology, 2008. 75(2): p. 104-11. Robbins, P., et al., Histological grading of breast carcinomas: a study of interobserver agreement. Hum Pathol, 1995. 26(8): p. 873-9. Sotiriou, C., et al., Gene expression profiling in breast cancer: understanding the molecular basis of histologic grade to improve prognosis. J Natl Cancer Inst, 2006. 98(4): p. 262-72. Desmedt, C. and C. Sotiriou, Proliferation: the most prominent predictor of clinical outcome in breast cancer. Cell Cycle, 2006. 5(19): p. 2198-202. Loi, S., et al., Definition of clinically distinct molecular subtypes in estrogen receptor-positive breast carcinomas through genomic grade. J Clin Oncol, 2007. 25(10): p. 1239-46. Symmans, W.F., et al. Use of genomic grade index (GGI) to predict pathologic response to preoperative chemotherapy in breast cancer. 2008 ASCO Annual Meeting; Available from: http://www.asco.org/ascov2/Meetings/Abstracts?&vmview=abst_detail_view&confID=55&ab stractID=32175. Liedtke, C., et al., Genomic grade index is associated with response to chemotherapy in patients with breast cancer. J Clin Oncol, 2009. 27(19): p. 3185-91. IPSOGEN. MAPQUANT Grade: profiling breast cancer. [cited 2010 14 february]; Available from: http://www.ipsogen.com/breast-cancer-products/healthcare-professionnals/mapquantdxgenomicgrade/. Finak, G., et al., Stromal gene expression predicts clinical outcome in breast cancer. Nat Med, 2008. 14(5): p. 518-27. Carter, S.L., et al., A signature of chromosomal instability inferred from gene expression profiles predicts clinical outcome in multiple human cancers. Nat Genet, 2006. 38(9): p. 10438. Glinsky, G.V., O. Berezovska, and A.B. Glinskii, Microarray analysis identifies a death-fromcancer signature predicting therapy failure in patients with multiple types of cancer. J Clin Invest, 2005. 115(6): p. 1503-21. Liu, R., et al., The prognostic role of a gene signature from tumorigenic breast-cancer cells. N Engl J Med, 2007. 356(3): p. 217-26. Ben-Porath, I., et al., An embryonic stem cell-like gene expression signature in poorly differentiated aggressive human tumors. Nat Genet, 2008. 40(5): p. 499-507. Kang, Y., et al., A multigenic program mediating breast cancer metastasis to bone. Cancer Cell, 2003. 3(6): p. 537-49. Minn, A.J., et al., Genes that mediate breast cancer metastasis to lung. Nature, 2005. 436(7050): p. 518-24. Minn, A.J., et al., Distinct organ-specific metastatic potential of individual breast cancer cells and primary tumors. J Clin Invest, 2005. 115(1): p. 44-55. Chang, H.Y., et al., Gene expression signature of fibroblast serum response predicts human cancer progression: similarities between tumors and wounds. PLoS Biol, 2004. 2(2): p. E7. Chang, H.Y., et al., Robustness, scalability, and integration of a wound-response gene expression signature in predicting breast cancer survival. Proc Natl Acad Sci U S A, 2005. 102(10): p. 3738-43.
56
108. 109. 110. 111. 112. 113. 114. 115. 116. 117. 118. 119. 120. 121. 122. 123. 124. 125. 126. 127. 128. 129. 130.
Miller, L.D., et al., An expression signature for p53 status in human breast cancer predicts mutation status, transcriptional effects, and patient survival. Proc Natl Acad Sci U S A, 2005. 102(38): p. 13550-5. Smid, M., et al., Genes associated with breast cancer metastatic to bone. J Clin Oncol, 2006. 24(15): p. 2261-7. Bos, P.D., et al., Genes that mediate breast cancer metastasis to the brain. Nature, 2009. 459(7249): p. 1005-9. Sotiriou, C. and L. Pusztai, Gene-expression signatures in breast cancer. N Engl J Med, 2009. 360(8): p. 790-800. Breast International Group TRANSBIG. MINDACT. [cited 2010 14 February]; Available from: http://www.breastinternationalgroup.org/Research/BIGClinicalTrials/BIG304MINDACT.aspx. Bogaerts, J., et al., Gene signature evaluation as a prognostic tool: challenges in the design of the MINDACT trial. Nat Clin Pract Oncol, 2006. 3(10): p. 540-51. National Cancer Institute. The TAILORx Breast Cancer Trial. [cited 2010 14 february ]; Available from: http://www.cancer.gov/clinicaltrials/digestpage/TAILORx. Genomic Health Inc. TAILORx Overview. [cited 2010 14 February]; Available from: http://www.oncotypedx.com/HealthcareProfessional/OngoingResearch.aspx?Sid=18. Sparano, J.A., TAILORx: trial assigning individualized options for treatment (Rx). Clin Breast Cancer, 2006. 7(4): p. 347-50. Zujewski, J.A. and L. Kamin, Trial assessing individualized options for treatment for breast cancer: the TAILORx trial. Future Oncol, 2008. 4(5): p. 603-10. Gong, Y., et al., Determination of oestrogen-receptor status and ERBB2 status of breast carcinoma: a gene-expression profiling study. Lancet Oncol, 2007. 8(3): p. 203-11. Aleskandarany, M.A., et al., PIK3CA expression in invasive breast cancer: a biomarker of poor prognosis. Breast Cancer Res Treat, 2009. Dupuy, A. and R.M. Simon, Critical review of published microarray studies for cancer outcome and guidelines on statistical analysis and reporting. J Natl Cancer Inst, 2007. 99(2): p. 147-57. Ein-Dor, L., O. Zuk, and E. Domany, Thousands of samples are needed to generate a robust gene list for predicting outcome in cancer. Proc Natl Acad Sci U S A, 2006. 103(15): p. 59238. West, M., et al., Embracing the complexity of genomic data for personalized medicine. Genome Res, 2006. 16(5): p. 559-66. Ein-Dor, L., et al., Outcome signature genes in breast cancer: is there a unique set? Bioinformatics, 2005. 21(2): p. 171-8. Fan, C., et al., Concordance among gene-expression-based predictors for breast cancer. N Engl J Med, 2006. 355(6): p. 560-9. Haibe-Kains, B., et al., Comparison of prognostic gene expression signatures for breast cancer. BMC Genomics, 2008. 9: p. 394. Wirapati, P., et al., Meta-analysis of gene expression profiles in breast cancer: toward a unified understanding of breast cancer subtyping and prognosis signatures. Breast Cancer Res, 2008. 10(4): p. R65. Nevins, J.R., et al., Towards integrated clinico-genomic models for personalized medicine: combining gene expression signatures and clinical factors in breast cancer outcomes prediction. Hum Mol Genet, 2003. 12 Spec No 2: p. R153-7. Huang, E., et al., Gene expression phenotypic models that predict the activity of oncogenic pathways. Nat Genet, 2003. 34(2): p. 226-30. Shen, R., D. Ghosh, and A.M. Chinnaiyan, Prognostic meta-signature of breast cancer developed by two-stage mixture modeling of microarray data. BMC Genomics, 2004. 5(1): p. 94. Pusztai, L., et al. Combined use of genomic prognostic and treatment response predictors in breast cancer. 2008 ASCO Annual Meeting Available from: http://www.asco.org/ASCOv2/Meetings/Abstracts?&vmview=abst_detail_view&confID=55& abstractID=33741.
57
131. 132. 133. 134. 135. 136. 137. 138. 139. 140. 141. 142. 143.
Dunkler, D., S. Michiels, and M. Schemper, Gene expression profiling: does it add predictive accuracy to clinical characteristics in cancer prognosis? Eur J Cancer, 2007. 43(4): p. 745-51. Eden, P., et al., "Good Old" clinical markers have similar power in breast cancer prognosis as microarray gene expression profilers. Eur J Cancer, 2004. 40(12): p. 1837-41. Lu, X., et al., Predicting features of breast cancer with gene expression patterns. Breast Cancer Res Treat, 2008. 108(2): p. 191-201. Nimeus-Malmstrom, E., et al., Gene expression profilers and conventional clinical markers to predict distant recurrences for premenopausal breast cancer patients after adjuvant chemotherapy. Eur J Cancer, 2006. 42(16): p. 2729-37. Kim, S.Y., Effects of sample size on robustness and prediction accuracy of a prognostic gene signature. BMC Bioinformatics, 2009. 10: p. 147. Ioannidis, J.P., Is molecular profiling ready for use in clinical decision making? Oncologist, 2007. 12(3): p. 301-11. Ahmed, A.A. and J.D. Brenton, Microarrays and breast cancer clinical studies: forgetting what we have not yet learnt. Breast Cancer Res, 2005. 7(3): p. 96-9. Hedenfalk, I., et al., Gene-expression profiles in hereditary breast cancer. N Engl J Med, 2001. 344(8): p. 539-48. McShane, L.M., et al., REporting recommendations for tumor MARKer prognostic studies (REMARK). Breast Cancer Res Treat, 2006. 100(2): p. 229-35. Brazma, A., et al., Minimum information about a microarray experiment (MIAME)-toward standards for microarray data. Nat Genet, 2001. 29(4): p. 365-71. Schroth, W., et al., Breast cancer treatment outcome with adjuvant tamoxifen relative to patient CYP2D6 and CYP2C19 genotypes. J Clin Oncol, 2007. 25(33): p. 5187-93. Pittman, J., et al., Integrated modeling of clinical and gene expression information for personalized prediction of disease outcomes. Proc Natl Acad Sci U S A, 2004. 101(22): p. 8431-6. Edge, S.B., et al. AJCC Cancer Staging Manual 2010 [cited 2010 25 april]; Available from: http://www.springer.com/medicine/surgery/book/978-0-387-88440-0.
58
BIJLAGEN
Bijlage I: TNM classificatie De stagering bij borstkanker gebeurt volgens het TNM systeem. Dit systeem classificeert kanker hoofdzakelijk op basis van de anatomische uitbreiding van de primaire tumor, de status van de regionaal drainerende lymfeklieren, en de aan- of afwezigheid van metastasen op afstand. Het systeem is in essentie een korte notatie ter beschrijving van de klinische en pathologische anatomische uitbreiding van de tumor. Dit is gebaseerd op: - T (0 - 4):
de grootte van de tumor en de directe verspreiding naar de huid of de borstwand onder de borst .
- N (0 - 3):
de af- of aanwezigheid en verspreiding van de kankercellen naar de lokaal drainerende lymfknopen. Indien er aantasting is wordt dit verder gecategoriseerd volgens aantal positieve
lymfeklieren
en
de
betrokkenheid
van
specifieke
regionale
lymfekliergroepen. - M (0 - 1):
de af- of aanwezigheid van metastasering van de kankercellen, door vasculaire verspreiding of lymfogeen verder dan de klieren die als “regionaal” worden beschouwd.
Voor elke T, N, en M wijst het gebruik van progressief hogere waarde op verdere uitgebreide kanker. Wanneer de TNM- waarden van een patiënt zijn vastgesteld, wordt deze informatie samengebundeld om het stadium van de kanker te bepalen. Het stadium wordt aangeduid met een Romeins cijfer gaande van Stadium 0 (het minst ernstige of vroegste stadium) tot Stadium IV (het ernstigste of meest gevorderde stadium). De American Joint Committee on Cancer (AJCC) gaf in 2010 de 7de editie van de “AJCC Cancer Staging Manual” vrij [143]. Deze handleiding is bedoeld om voor artsen en gezondheidszorgwerkers over de hele wereld een uniforme beschrijving en rapportering van kanker mogelijk te maken. Hieronder bevindt zich het voorgestelde “breast staging form”. Dit document biedt een duidelijk overzicht van de meest recente TNM classificatie voor borstkanker.
I
II
III
IV
Bijlage II: Prognostische en/of predictieve factoren In aanvulling op de TNM classificatie raadt de AJCC aan om de belangrijkste prognostische factoren te bepalen [143].
V
Bijlage III: Overlevingspercentages Onderstaande figuur is een grafische voorstelling van de overlevingspercentages 5 jaar na borstkanker diagnose. Deze gegevens zijn gebaseerd op 211 645 patiënten gediagnosticeerd met borstkanker in de jaren 2001-2002 [143]. Borstkanker overlevingspercentages *
* Overlevingscijfers van 211 645 gevallen met borstkanker gediagnosticeerd. Data van de National Cancer Data Base (Commission on Cancer of the American College of Surgeons and the American Cancer Society) gediangsticeerd in de jaren 2001–2002. Aantal patiënten per stadium is:Stadium 0: 30 263; Stadium I: 85 278; Stadium IIA: 43 047; Stadium IIB: 17 665; Stadium IIIA: 13 983; Stadium IIIB: 4533; Stadium IIIC: 6 741; en Stadium IV: 10 135.
VI
Bijlage IV: Toestemming reprint fig. 2
WAA1016556 april 30, 2010
Ghent University Sint-Pietersnieuwstraat 25 B - 9000 Ghent Belgium Dear Ms. DeCoster: Thank you for your request to print the following from Annals of Internal Medicine:
Figure 1: Luigi Marchionni, et al, Systematic Review: Gene Expression Profiling Assays in Early-Stage Breast Cancer. Ann Intern Med March 4, 2008 148 Permission is granted to print the preceding material with the understanding that you will give appropriate credit to Annals of Internal Medicine as the original source of the material. Any translated version must carry a disclaimer stating that the American College of Physicians is not responsible for the accuracy of the translation. This permission grants non-exclusive, worldwide rights for this edition in print for not for profit only. ACP does not grant permission to reproduce entire articles or chapters on the Internet unless explicit permission is given. This letter represents the agreement between ACP and Eveline DeCoster for request WAA1016556 and supersedes all prior terms from the requestor. Thank you for your interest in Annals of Internal Medicine. If you have any further questions or would like to discuss the matter further, please contact me at 856-489-4446 or fax 856-489-4449. Sincerely, Gina Brown Permissions Coordinator
VII