虽然肿瘤的 DNA 通常等同于指纹或其独特的遗传识别，但肿瘤的 RNA 谱代表了一种复杂的动态状态，更类似于肿瘤的个性或独特的行为。在 11 种 RNA 中，前列腺癌的转化和临床重点主要集中在 mRNA 和 lncRNA。基于 RNA 的生物标志物最常见的用途是评估肿瘤的侵袭性或治疗敏感性。然而，已经开发了多个基因表达特征来捕获由规范 DNA 改变导致的功能状态，包括 ERG 融合、SPOP 突变和 Rb 丢失。更常见的是，这些生物标志物已被用于开发 30 多种预后基因表达特征，其中三种现已商业化，并越来越多地纳入临床试验。在平行下，使用微阵列和 RNAseq 技术的能力允许使用高通量方法进行全转录组分析。这使得能够发现和训练植根于生物学信息通路的众多预测性生物标志物特征，以确定哪些肿瘤对各种治疗（包括雄激素剥夺治疗、放疗、化疗和 PARP 抑制）更敏感或更耐药。本章将回顾各种类型的 RNA、可用于评估基因表达的技术，并描述前列腺癌的可用基因表达特征。这使得能够发现和训练植根于生物学信息通路的众多预测性生物标志物特征，以确定哪些肿瘤对各种治疗（包括雄激素剥夺治疗、放疗、化疗和 PARP 抑制）更敏感或更耐药。本章将回顾各种类型的 RNA、可用于评估基因表达的技术，并描述前列腺癌的可用基因表达特征。这使得能够发现和训练植根于生物学信息通路的众多预测性生物标志物特征，以确定哪些肿瘤对各种治疗（包括雄激素剥夺治疗、放疗、化疗和 PARP 抑制）更敏感或更耐药。本章将回顾各种类型的 RNA、可用于评估基因表达的技术，并描述前列腺癌的可用基因表达特征。
转录组学概述
转录组学是对 RNA 分子的研究，用于通过测量其 RNA 组成来询问细胞或肿瘤中基因组的活性。尽管已知的 RNA 至少有 11 种类型（例如 mRNA、rRNA、tRNA、snRNA、snoRNA、siRNA、hnRNA、gRNA、tmRNA、端粒酶 RNA、催化 RNA），但目前肿瘤学中最感兴趣的 RNA 是信使 RNA（mRNA )，它从 DNA 中主动转录并最终转化为蛋白质。最近，lncRNA 也越来越受到关注 [ 1 , 2]。如前一章所述，生物体细胞中的 DNA 基本相似，通常具有定义癌症特定基因组亚型的特定改变。相比之下，mRNA 是高度动态的，与 DNA 突变相比，二元性和静态性较低。基因表达通常比 DNA 更能反映细胞的功能活性，因为即使上游基因发生突变或失去功能，如果替代途径被激活，mRNA 表达可能保持不变甚至增加。
鉴于许多基因具有相似的表达并且彼此高度相关，转录组学通常被合成为基因表达特征以捕获特定癌症的亚型。这些特征及时反映了肿瘤的快照，尽管它们具有动态特性，但可以重复捕获更多静态基因组和生物亚型，甚至可以作为可靠的预后和预测生物标志物。特别是在前列腺癌中，转录组学最初通常用于补充基因组学。然而，特别是在局部前列腺癌中，前列腺癌的基因组包含相对少量的体细胞驱动突变和/或拷贝数改变，因此目前在常规搜索 DNA 改变方面的效用有限。因此，
技术
临床上用于评估基因表达的最常用技术包括实时 PCR 和微阵列。研究越来越多地转向 RNA 测序 (RNA-seq)，但商业测试几乎完全使用 PCR 或微阵列技术 [ 3 ]。每种技术都有其必须权衡的优势和劣势，包括成本、转录组覆盖的广度、可定制性、数据分析、通量、分辨率和动态范围 [ 3 , 4]。大多数全转录组研究都使用发现过程，使用微阵列或 RNA-seq 技术生成数据，然后通过靶向测序过程或简单地使用 RT-PCR 重新创建通常小于 50 个基因的后续签名，以降低成本.
表1总结了微阵列和 RNA-seq 技术之间的差异。
| Microarray | RNA-seq | |
|---|---|---|
| Principle | Hybridization | High-throughput sequencing |
| Thoughput | High | High |
| Background noise | Higher | Lower |
| Dynamic range | ~100-fold | >8000-fold |
| Distinguish different isoforms | Limited | Easier |
| Cost (perform, store, and analyze data) | Lower | Higher |
| RNA content required | Higher | Lower |
| Heterogeneity of read coverage across expressed region | Yes | No |
| Analysis simplicity | Simple | Complex |
| Data portability (size of data) | Megabites | Gigabites |
子类型的方法
亚型的目标是使用转录组学定义一个独特的前列腺癌亚组（表2）。这可能是基于可以使用基因表达数据捕获的独特 DNA 谱来捕获先前确定的不同基因组亚型。或者，可以执行引导或半监督分型方法，使用基因表达来捕获已知的生物学特征，例如基底或管腔、细胞周期活性或神经内分泌分化。更常见的是，根据预后进行分组是使用商业上可用的子类型特征进行的，而不是查看生物学特征。相比之下，人们可以使用基因表达数据，这些数据可能植根于已知的生物学驱动的机制数据，也可能不植根于已知的生物驱动机制数据，以识别本质上最可能或最不可能从治疗中受益的患者。最后，最不常见的是执行无监督的层次聚类，以确定哪些基因在统计上形成了无偏的子组。为了说明前列腺癌中许多已发展的预后、预测和生物学亚型之间的关系，图图1显示了本章将讨论的许多亚型和转录组特征的热图。
Table 2 Common transcriptomic subtyping methods
| Subtyping categories | Restriction of genes used? | Currently used clinically or in clinical research? | Examples |
|---|---|---|---|
| Unsupervised hierarchical clustering | No | No | TCGA RNA clusters |
| Capture genomic (DNA) subtypes/alterations | Yes | No | ERG, ETS, SPINK1 |
| SPOP mutant | |||
| PTEN loss | |||
| Capture biologic characteristics | Yes | No | AR-Activity |
| NEPC | |||
| Prognostic biomarkers | Either | Yes | Decipher |
| Prolaris | |||
| Oncotype Dx | |||
| Predictive biomarkers | Either | Yes | ADT-RS |
| PAM50 | |||
| PORTOS |
图 1 选择局限性前列腺癌的转录组亚型
亚型
捕获基因组亚型
如前一章所述，最公认的前列腺癌亚型通常是根据 DNA 改变定义的。这反映在来自癌症基因组图谱 (TGCA) 的来自局部前列腺癌样本的基因组数据中，这些样本显示出频繁的 ERG 和 ETS 家族重排以及 SPOP 突变。这也反映在来自多个大型转移性 CRPC 队列的基因组数据中，这些数据显示了 p53、RB 丢失、DNA 修复改变、PTEN 丢失等常见突变的常见变化。在许多情况下，执行基因组测序来识别所有这些变化是不切实际的，特别是考虑到它通常需要新鲜冷冻的组织。因此，研究人员已经开发出用基因表达数据准确可靠地捕获这些亚型的方法。
1.ERG、ETS、SPINK1 [ 5 ]：使用随机森林监督模型开发了准确捕获ERG + 肿瘤的基因表达特征，以预测 FISH 评估的ERG重排状态。该模型经过开发和训练（n = 252 个样本），并用 155 个已知 FISH-ERG 状态的肿瘤进行了验证。此外，还开发了一种基于ETV1、ETV4、ETV5、FLI1和SPINK1基因表达的分类方法，并使用极值进行无监督异常值分析关于每个基因的核心探针组的表达。肿瘤最终分为四种亚型（ERG + 亚型、ETS +、SPINK + 或三阴性）。超过 1500 名患者用于训练和验证此签名。与三阴性亚型相比， ERG + 肿瘤通常具有较低的基线血清 PSA 水平和较低的 Gleason 评分。SPINK1肿瘤通常具有较高的 PSA，并且在非裔美国人中更常见。随后，针对已建立的免疫组织化学和 FISH 测定对这些基于微阵列表达的特征进行了分析验证。尽管有这些发现，但在生化复发或远处转移的时间上没有显着差异，这表明这些亚组是基于生物学的而不是预后的。
2.SPOP 突变体特征[ 6 ]：开发了一种新的基因表达特征和决策树，以根据基因表达数据准确预测 SPOP 突变体癌症。从 TCGA 数据开始，包括 RNA-seq 数据和已知的 SPOP 突变状态，根据 SPOP 状态进行差异基因表达和聚类。最终使用 212 个基因来定义 SPOP 突变亚类。这一特征在 Weill Cornell Medicine (n = 68) 的队列中得到验证，发现 SPOP 突变预测与 DNA 突变检测相比具有 89% 的敏感性和 95% 的特异性。使用 ERG+ 和 ETS+ 状态的先验分类器 [ 5]，它们与 SPOP 突变亚型互斥，该决策树能够在没有 DNA 数据的样本中识别出最有可能存在 SPOP 突变的肿瘤 (n > 8000)。结果发现，SPOP 预测的肿瘤不太可能有更高级别的肿瘤、阳性手术切缘或 T3 疾病。然而，预计它们具有更高的PSA。因此，尽管其他临床病理学因素是有利的，但由该基因表达分类器鉴定的 SPOP 突变肿瘤的结果更差。
3.PTEN 丢失特征[ 7 ]：PI3K 在前列腺癌中经常被激活，尤其是通过 PTEN 丢失引起的转移性 CRPC。PTEN mRNA 表达水平是 PTEN 蛋白水平的主要决定因素。为具有微阵列数据的乳腺癌样本开发了 PTEN 状态签名，以识别与 PTEN IHC 状态最显着相关的基因。由此，通过对每个交叉验证分析的平均 p 值进行排序，生成了一个共识排序的基因列表。共有 246 个基因最终包含在 PTEN 签名中，接收者操作特征 (ROC) 为 0.758。该特征也适用于其他肿瘤类型，包括前列腺癌。在前列腺癌中，这一特征被证明与较差的生存率相关。
无监督层次聚类
获得亚型的一种方法是简单地让数据确定哪些基因在样本中差异表达，这种方式可以根据基因列表将患者明确划分为有限数量的组。这通常需要评估一大组（例如>1000 个）基因。鉴于这种方法不强制或限制聚类来预测结果（例如复发）或特征（例如基因组亚型），乍一看，发现的基因在前列腺癌中的重要性可能不清楚。
1.TCGA- 3 簇[ 8]：TCGA 进行了一项多中心研究，在分子水平上全面询问原发性前列腺癌 使用 333 个肿瘤，对基因组、转录组、蛋白质组和表观基因组进行分析，最终确定了七个分子定义的亚型（ERG、ETV1、 ETV4、FLI1、SPOP、FOXA1、IDH1 等）。还进行了仅基于 mRNA 数据的综合聚类。这是通过使用 mRNA-seq 数据对前列腺肿瘤进行无监督表达聚类来完成的。前 3000 个变异最大的基因用于开发 mRNA 亚型。确定了三个 mRNA 簇，它们主要将 ERG 和 ETV 阳性肿瘤归为一个簇，并将 SPOP、FOXA1 和 IDH1 亚型一起归为另一个簇。FLI1 基因组亚组包含大部分第三个 mRNA 簇。然而，这些 mRNA 亚型没有最佳地概括七个基因组亚组。因此，汤姆林一家的工作 [5 ] 和 Barbieri [ 6 ] 实验室得出 ERG+ 和 SPOP 突变特征似乎比 TCGA 亚型更准确，这表明由于对有限的一组患者样本的推断，最初的发现可能过度拟合，建模错误。
2.在另一项研究中，62 个原发性前列腺癌肿瘤、41 个正常前列腺癌样本和 9 个淋巴结转移的组织微阵列图谱捕获了 >26,000 个编码和非编码基因 [ 9 ]。对所有样本进行无监督层次聚类。使用 5153 个在样本中表达变化最大的 cDNA，肿瘤样本与正常样本是有区别的。此外，根据不同的基因表达模式确定了三种前列腺癌亚型。然而，这些分子亚型的生物学相关性或预后或预测相关性尚不清楚，这是以完全无监督的方式进行聚类的一个缺点。
监督聚类以捕获特定的生物学特征
1.前列腺癌亚型 1-3 [ 10]：对 1321 个肿瘤样本的大型训练队列和使用 10 个患者队列和 19 个前列腺癌实验室模型（细胞系和基因工程小鼠模型）的验证集进行了前列腺癌的综合分类。使用与前列腺癌相关的 22 个通路激活基因表达特征来进行聚类。这些随后被分解为 14 个通路特征，分为三类：（1）AR、AR-V、EZH2、FOXA1、RAS 和 PRC，（2）SPOP、TMPRSS2-ERG、PTEN 和（3）干性，增殖、上皮-间质转化、前神经和神经内分泌分化。此时，使用 14 个通路激活配置文件进行了无监督聚类，并确定了三个不同的聚类并称为 PC1、PC2 和 PC3。这些亚型在本地化和 mCRPC 中都得到了验证。有趣的是，在所有鉴定的新亚型中都发现了 TCGA 亚型，包括 ERG、ETV1/4、SPOP 和 FOXA1，并且不同亚型的富集程度不同。该研究还研究了基底和腔表达的关联及其与 PC1-3 亚型的相关性。他们发现 luminal 基因与 PC1 和 PC2 以及基础基因与 PC3 之间存在很强的关联。PC1-3 亚型也具有预后作用，因为 PC1 亚型的无转移生存期短于 PC2 或 PC3。最终，这些亚型被简化为一个 37 个基因的特征，可以合理地概括这三种亚型。该特征的临床效用和临床相关性尚不清楚，突出了前列腺癌的巨大生物学异质性。
2.AR-活动[ 11 , 12]：雄激素受体 (AR) 基因在前列腺癌中几乎无处不在，它调节着数以千计的基因。在局限性前列腺癌中，AR 表达的异质性有限，而在转移性去势抵抗性前列腺癌 (mCRPC) 中，AR 表达的多样性更大。然而，通过典型 AR 靶基因的表达来测量的 AR 或 AR 信号转导或 AR 活性在局部和 mCRPC 中明显更加异质。最近的研究表明，约 10% 的局部前列腺癌具有较低的 AR 活性，由九个典型的 AR 靶标测量。该子集似乎与高级 mCRPC 非常相似，因为两者都具有相似的 AR 活动。此外，在这个低 AR 活性亚群中，神经内分泌标志物和免疫信号特征的表达增加。毫不奇怪，与高 AR 活性的肿瘤相比，低 AR 活性的局限性前列腺癌预后较差，进展为转移性疾病的速度更快。低 AR 活性前列腺癌不仅预后较差，而且似乎还具有独特的治疗敏感性。高 AR 活性前列腺癌对 ADT 和紫杉烷化疗更敏感，而低 AR 活性前列腺癌似乎对 PARP 抑制和顺铂化疗更敏感。进一步的工作正在开发中，以评估 AR 活性是否可以作为预后生物标志物和预测生物标志物来指导治疗选择。低 AR 活性前列腺癌不仅预后较差，而且似乎还具有独特的治疗敏感性。高 AR 活性前列腺癌对 ADT 和紫杉烷化疗更敏感，而低 AR 活性前列腺癌似乎对 PARP 抑制和顺铂化疗更敏感。进一步的工作正在开发中，以评估 AR 活性是否可以作为预后生物标志物和预测生物标志物来指导治疗选择。低 AR 活性前列腺癌不仅预后较差，而且似乎还具有独特的治疗敏感性。高 AR 活性前列腺癌对 ADT 和紫杉烷化疗更敏感，而低 AR 活性前列腺癌似乎对 PARP 抑制和顺铂化疗更敏感。进一步的工作正在开发中，以评估 AR 活性是否可以作为预后生物标志物和预测生物标志物来指导治疗选择。
3.神经内分泌前列腺癌 (NEPC) 特征[ 13 ]：使用来自 8 个队列的样本开发了神经内分泌和原发性小细胞前列腺癌的基因表达特征，以比较 NEPC 与腺癌样本相比上调或下调的基因表达。确定了至少 80% 的 NEPC 患者的 69 个基因特征。这些基因产生了三个亚组，分别称为非典型小细胞前列腺癌、原型腺癌和原型小细胞前列腺癌。
为预后而开发的亚型
Commercial Classifiers
1.Decipher：Decipher 分析是临床级转录组范围的基因表达谱分析分析，基于人类外显子 1.0 ST 寡核苷酸微阵列 (GenomeDx, Inc)。虽然该测定法测量了超过 46,000 种蛋白质编码和非编码 RNA，但目前的 Decipher 临床测试结果是基于 22 个基因表达的预后生物标志物。一组根治性前列腺切除术样本用于训练治疗后发生和未发生失败的患者之间临床失败（例如转移）的主要终点的特征。鉴定了 43 个在组间差异表达的 RNA 转录物。通过随机森林机器学习，最终确定了 22 个基因，这些基因对预测转移性疾病产生了最佳性能。这 22 个基因包括在细胞周期进程、增殖、免疫反应、细胞粘附和运动中起作用的编码和非编码基因。此后，Decipher 测试已在超过 40 项研究中的 3000 多名患者中得到验证。最值得注意的是，分类器的性能在一项荟萃分析中得到了验证，该分析使用了五个队列中的 975 名患者。Decipher 被证明可以独立预测转移性疾病的发展，并且比目前使用的临床病理学变量（例如 Gleason 评分、T 分期、边缘状态、PSA 等）具有更好的性能。临床模型的 C 指数为 0.76，在模型中加入 Decipher 后增加到 0.81。此外，按年龄、种族和所进行的治疗，Decipher 在所有亚组中的表现相似。最近，Decipher 也被合并到一个集成的临床基因组风险分组系统中，该系统反映了 NCCN 风险组。本研究验证了 Decipher 在手术样本和治疗前活检样本中优于临床因素的性能。联合临床基因组系统的 C 指数为 0.84，大约 67% 的患者从 NCCN 风险组重新分类到新的临床基因组风险组。Decipher 测试也已用于前瞻性试验。PRO-IMPACT 试验评估了基于 Decipher 测试改变管理决策的临床效用。此外，与现有最佳临床列线图（CAPRA-S 模型）相比，G-MINOR 试验已完成注册，并已将患者和提供者随机分配接受 Decipher 测试。该试验将是第一个评估任何商业基因组分类器在前列腺癌中的临床效用的随机试验。Decipher 还被用于多项正在进行的国家随机试验，包括 NRG GU-002，该试验通过使用 Decipher 对患者进行分层。其他试验，例如 NRG GU-006 正在利用 Decipher 分析，而不仅仅是 Decipher 分数，因为用于在 Decipher 测试中评估基因的微阵列通过 Decipher GRID 提供了数百个额外的特征，因为分析了超过 46,000 个基因在每个样本上。最近，已经报道了 Decipher 在任何商业基因表达分类器的第一次随机试验中的表现。斯巴达审判，一项评估 apalutamide 在 M0CRPC 中的益处的随机试验对使用储存组织的试验子集进行了 Decipher 测试。他们表明，Decipher 对一线 ADT 失败具有高度的预后性和预测性。
2.肿瘤型 Dx ：Oncotype Dx 基因组前列腺评分 (GPS) 是一个 17 基因签名，专为治疗前活检使用而设计。它在 RT-PCR 平台上运行。其预期用途是帮助指导主动监测决策。为了获得该特征，确定了与复发、前列腺癌死亡和不良病理相关的 198 个基因。该基因列表被截断为 81 个，它们与验证队列中的侵袭性疾病相关。最终，基于群组间表达的一致性，将签名细化为 17 个基因。这些基因涉及四种主要途径，包括基质增殖、雄激素信号传导、细胞组织和增殖。尽管 GPS 特征已在符合主动监测条件的多个前列腺切除术患者队列中得到验证，直到最近，它还没有在实际的主动监测患者中得到验证。最近，Canary PASS 试验对 634 名进入主动监测的男性进行了 Oncotype Dx 测试。不幸的是，Oncotype Dx 测试与随后的单变量或多变量分析的活检升级无关。这些结果对 Oncotype Dx 测试的临床准确性提出了质疑。需要未来的研究来评估 GPS 检测在前列腺癌中的作用。
3.Prolaris ：Prolaris，也称为细胞周期进展 (CCP) 评分，测量 31 个细胞周期进展基因和 15 个管家基因。它在 RT-PCR 平台上运行。CCP 最初是在乳腺癌患者中开发的，此后在前列腺癌患者中进行了测试和验证。目前尚不清楚该测试是否完全针对前列腺癌进行了优化，但它已在前列腺癌穿刺活检和前列腺切除术样本中得到验证。它已在接受主动监测、前列腺切除术和放射治疗的患者中进行了测试。CCP 测试已针对多种结果进行了测试，包括生化复发、转移和前列腺癌特异性死亡率。迄今为止，该测试尚未用于任何随机试验，
Non-commercial Classifiers
1.文献中报道了数十个（如果不是数百个）预后基因表达特征。表3给出了一个简短的列表。它们已针对具有不同程度验证的各种适应症而开发。没有一个有可靠的临床数据来支持它们的使用，也没有一个是商业可用的或被 Medicare 覆盖的（与 Decipher、Oncotype Dx 和 Prolaris 相比）。当这些特征被优化以预测转移性疾病的发展时，发现当在相同的微阵列平台上运行时，Decipher 22 基因特征优于所有其他特征[ 22 ]。
为预测治疗反应而开发的亚型
1.相对强弱指数[ 23]: 辐射敏感性指数 (RSI) 旨在预测电离放射治疗的内在敏感性。它声称是泛癌特征，由国家癌症研究所的 60 个细胞系组成。这些细胞系中的 35 个最终用于确定在 2 Gy 放射治疗后哪些基因与克隆形成存活相关。在细胞系数据中，签名预测细胞放射敏感性的准确度仅为 62%。最终，开发了 RSI，它由 11 个基因（AR、cJun、STAT1、PKC、cABL、SUMO1、CDK1、HDAC1 和 IRF1）的线性算法组成，每个基因都有自己的权重，相加得出一个最终得分。在前列腺癌中使用该特征的数据有限，而且它似乎无法预测接受放射治疗的患者的结果。
2.波尔图斯[ 24]：利用 Decipher GRID，开发并验证了 24 个基因的术后放射治疗结果评分 (PORTOS)，以预测术后放射治疗的益处。使用 198 名患者的训练队列，根据术后放疗后的结果对 1800 个 DNA 损伤修复和先前注释的放射反应基因进行排序。确定了 24 个预测术后放疗益处的基因。具有高 PORTOS 评分的患者从接受术后放疗中获得了显着的益处，如远处转移的减少。相比之下，低 PORTOS 评分的患者未能从术后放疗中获益。在验证队列（n = 330）中，证实 PORTOS 是术后放疗益处的预测性生物标志物（p-相互作用 = 0.016）。重要的是，PORTOS 可能并非纯粹是对内在辐射敏感性的衡量，而是对在辐射场外患有微转移性疾病的患者的预测。
3.ADT-RS [ 25]：Decipher GRID 用于访问 1212 名接受了根治性前列腺切除术且病理不良的患者。接受早期辅助 ADT 的患者与未接受早期 ADT 的患者相匹配。他们不是纯粹的无监督分析，而是将基因限制在从研究神经内分泌分化、去势抗性和 ADT 抗性的研究中确定的 1632 个基因的精选基因列表中。然后根据特征排名和模型训练对该基因列表进行过滤。最终确定并验证了 49 个可预测早期 ADT 益处的基因。这在具有高 ADT-RS 评分的患者中得到了显着的交互作用测试 (p = 0.035)，而低 ADT-RS 患者并未从早期使用辅助 ADT 中获得任何益处。值得注意的是，ADT-RS 不能预测预后，
4.PAM50：PAM50 分类器最初是在乳腺癌中开发的。它是使用 NanoString 运行的商用 Prosigna 产品的基础。PAM50 成功地将乳腺癌分类为 luminal A、luminal B、HER2 和基底亚型。这些亚型不仅具有预后作用，而且可以预测内分泌治疗和 HER2 靶向治疗的益处。鉴于包括前列腺癌在内的多种癌症也具有腔和基底亚型，PAM50 特征被应用于利用 Decipher GRID 基因表达数据库的局部前列腺癌。值得注意的是，HER2 亚型被移除，因为 ERBB2/HER2 扩增不会像在乳腺癌中那样在前列腺癌中发生。作者使用了转录组范围的微阵列人类外显子 1。0 ST 微阵列平台对 1567 个具有长期随访的回顾性样本进行了进一步划分，并进一步分为训练和验证队列。此外，他们使用 2215 个前瞻性样本来表征局部前列腺癌中的 PAM50 亚型。所有三种亚型，管腔 A、管腔 B 和基底，都在局部前列腺癌中以相似的分布（各约 33%）被鉴定。已知的管腔标记物，如 NKX3.1 和 KRT18 在管腔亚型中富集。类似地，基础标记 CD49f 在基础亚型中富集。通过多变量分析独立确定，Luminal B 患者最有可能发生生化复发和远处转移，并且表现出更差的前列腺癌特异性存活率和总体存活率。Luminal A 患者的结果最有利。鉴于 PAM50 能够预测乳腺癌对内分泌治疗的反应，因此测试了 ADT 的益处。结果表明，添加术后 ADT 后，luminal B 患者的无转移生存率显着提高，而 luminal A 和基础患者则没有。交互作用测试显着（p = 0.006），表明 PAM50 似乎是术后 ADT 益处的预测生物标志物。这些结果导致了一项开放的随机 2 期试验测试，如果添加下一代抗雄激素药物 apalutamide 将比单独的挽救性放疗改善结果（NRG GU006，NCT03371719）。结果表明，添加术后 ADT 后，luminal B 患者的无转移生存率显着提高，而 luminal A 和基础患者则没有。交互作用测试显着（p = 0.006），表明 PAM50 似乎是术后 ADT 益处的预测生物标志物。这些结果导致了一项开放的随机 2 期试验测试，如果添加下一代抗雄激素药物 apalutamide 将比单独的挽救性放疗改善结果（NRG GU006，NCT03371719）。结果表明，添加术后 ADT 后，luminal B 患者的无转移生存率显着提高，而 luminal A 和基础患者则没有。交互作用测试显着（p = 0.006），表明 PAM50 似乎是术后 ADT 益处的预测生物标志物。这些结果导致了一项开放的随机 2 期试验测试，如果添加下一代抗雄激素药物 apalutamide 将比单独的挽救性放疗改善结果（NRG GU006，NCT03371719）。
结论
前列腺癌的转录组继续被解开。本章主要关注基于蛋白质编码基因表达的基因表达特征。很明显，基因表达数据可以概括许多重要的基因组改变。也许更重要的是，转录组已被利用来提供无与伦比的准确性，为患者分配超出常规临床病理学参数的个性化预后。这些特征中的许多现在都在临床实践中，并且将在未来 1-2 年内报告随机数据以验证其中一些特征。刚刚开始揭示的最令人兴奋的领域是基因表达分类器作为真正的预测生物标志物的能力，它可以识别最有可能从标准护理治疗中受益的患者，例如放疗或 ADT。其中一些目前正在进行随机试验，并有望改变治疗前列腺癌的临床格局。
