Gene Expression Profiles of Breast Cancer Obtained from Core Cut Biopsies Before Neoadjuvant Docetaxel, Adriamycin, and Cyclophoshamide Chemotherapy Correlate with Routine Prognostic Markers and Could Be Used to Identify Predictive Signatures

Publisher Website
Google Scholar
Abstract
Background: Neoadjuvant administration of chemotherapy provides a unique opportunity to monitor response to treatment in breast cancer and assesses response exactly. Global gene expression profiling by microarrays has been used as a valuable tool for the identification of prognostic and predictive marker genes. Even though this technology is now wide spread and relatively standardized, there are only few data available which compare established parameters with expression values to determine reliability of this method. Therefore we analyzed gene expression data of pretreatment biopsies of breast cancer patients and compared them with the results of the immunohistochemical receptor expression for ER/ PR and Her-2, as well as FISH testing for HER-2 amplification. We analyzed the change of expression of these markers before and after neoadjuvant chemotherapy. Furthermore we evaluated the predictive significance of prognostic gene signatures as described by Sorlie, van't Veer and Ahr for response to neoadjuvant chemotherapy. Methods: Pretherapeutic core biopsies were obtained from 70 patients undergoing neoadjuvant TAC chemotherapy within the GEPARTRIO-trial. Samples were characterized according to standard pathology including ER, PR and HER2 IHC and amount of cancer cells. Only biopsies with more than 80 % tumor cells were considered for further examination. RNA was isolated and expression profiling performed using Affymetrix Hg U133 Arrays (22 500 genes). GeneData's Expressionist software was used for bioinformatic analyses. Results: More than two thirds of the biopsies yielded sufficient amounts (> 5 µg) of RNA for expression profiling and high quality data were obtained for 50 samples. Unsupervised clustering broadly revealed a correlation with hormone receptor status. When ER-α, PR and HER2 as analyzed by immunohistochemistry were compared to the corresponding mRNA data from gene chips more than 90 % concordance was observed. We could observe a switch of receptor expression for ER, PR or HER-2 from positive to negative and vice versa in 16/35 cases (45.7 %) and 5/22 cases (22.7 %) respectively. The prognostic marker sets of Sorlie, van't Veer and Ahr could not discriminate responders from non-responders in our patient group. Conclusions: Our results demonstrate that reliable expression profiles can be achieved by using limited amounts of tissue obtained during neoadjuvant chemotherapy. Microarray data capture conventional prognostic markers but might contain additional informative gene sets correlated with treatment outcome. Prognostic marker sets are not suitable to predict tumor response in the neoadjuvant setting, suggesting the necessity of class prediction methods to identify marker sets predictive for the type of therapy used. Hintergrund: Die neoadjuvante Chemotherapie des Mammakarzinoms bietet die einzigartige Möglichkeit, das Ansprechen auf die Therapie zu beobachten und exakt zu monitoren. Globale Genexpressionsanalysen durch DNA-Chiptechnologie werden als wertvolles Hilfsmittel zur Identifizierung prognostischer und prädiktiver Gensignaturen eingesetzt. Obwohl diese Technik inzwischen weit verbreitet und standardisiert ist, sind nur wenige Daten verfügbar, die gut etablierte Marker mit den jeweiligen Expressionswerten vergleichen, um die Zuverlässigkeit dieser Methode besser einschätzen zu können. Daher haben wir Genexpressionsdaten prätherapeutischer Stanzbiopsien von Mammakarzinompatientinnen analysiert und mit den Ergebnissen der immunhistochemischen Rezeptorexpression von ER/PR und Her-2, sowie der FISH-Analyse bezüglich einer Her-2-Amplifikation verglichen. Weiterhin wurde die Expressionsänderung dieser Marker vor und nach neoadjuvanter Chemotherapie untersucht. Etablierte prognostische Gensignaturen, wie sie bereits von Sorlie, van't Veer und Ahr beschrieben wurden, sind des Weiteren auf ihre prädiktive Wertigkeit hin untersucht worden. Methoden: Prätherapeutische Stanzbiopsien wurden von 70 Patientinnen erhalten, die sich einer neoadjuvanten TAC-Chemotherapie im Rahmen der GEPARTRIO-Studie unterzogen. Die Proben wurden im Rahmen der Routinepathologie hinsichtlich der immunhistochemischen Expression von ER, PR und Her-2 sowie des Tumorzellanteils untersucht. Es wurden für die weitere Analyse nur Stanzbiopsien mit einem Tumorzellgehalt von mehr als 80 % verwendet. Nach RNA-Isolation wurde ein Genexpressionsprofil unter Verwendung des Affymetrix Hg U133 arrays (22 500 Gene) erstellt. Die bioinformatische Analyse erfolgte mit der GeneData Expressionist Software. Ergebnisse: Von mehr als zwei Drittel aller Stanzbiopsien konnten ausreichende RNA-Mengen (> 5 µg) zur Genexpressionsanalyse gewonnen werden, so dass von 50 Proben qualitativ hochwertige Daten zu erhalten waren. Ein unsupervised clustering erbrachte eine hohe Korrelation mit dem Hormonrezeptorstatus. Die immunhistochemische Expression von ER, PR und Her-2 wurde mit den korrespondierenden mRNA-Daten der Chipanalyse verglichen und zeigte eine Konkordanz der Expression in mehr als 90 % der Fälle. Eine Veränderung der Rezeptorexpression von ER, PR oder Her-2 von positiv nach negativ und umgekehrt wurde in 16/35 Fällen (45,7 %) bzw. 5/22 Fällen (22,7 %) beobachtet. Die prognostischen Markersets von Sorlie, van't Veer und Ahr waren innerhalb unseres Patientenkollektivs nicht in der Lage, responder von non-respondern zu unterscheiden. Schlussfolgerung: Unsere Ergebnisse zeigen, dass zuverlässige Genexpressionsdaten aus limitiertem Tumorgewebe erhältlich sind. Die Genexpressionsdaten spiegeln zum Einen die konventionellen Prognosefaktoren zuverlässig wieder und liefern darüber hinaus zusätzliche informative Gensets, die mit dem Therapieansprechen korrelieren. Prognostische Markersets sind allerdings nicht geeignet, das Tumoransprechen im Rahmen der neoadjuvanten Chemotherapie vorherzusagen, so dass dies die Notwendigkeit unterstreicht, mittels „class prediction”-Methoden prädiktive Markersets für die eingesetzte spezifische Therapie zu identifizieren.

This publication has 0 references indexed in Scilit: