Kurzfassung

Assoziation zwischen Lebensalter und Genexpression beim frühen Mammakarzinom
Konzept und Methodik (Mainzer Genexpressionskollektiv, n=461)
 
1. Hintergrund und wissenschaftliche RelevanzDas Lebensalter bei Diagnosestellung beeinflusst beim Mammakarzinom sowohl klinische Verläufe als auch die Tumorbiologie. In der Literatur wird eine Alters-assoziierte Verschiebung hin zu luminalen, ER-positiven Tumoren beschrieben, während immunologische Aktivität und Proliferationssignale bei älteren...Assoziation zwischen Lebensalter und Genexpression beim frühen Mammakarzinom
Konzept und Methodik (Mainzer Genexpressionskollektiv, n=461)
 
1. Hintergrund und wissenschaftliche RelevanzDas Lebensalter bei Diagnosestellung beeinflusst beim Mammakarzinom sowohl klinische Verläufe als auch die Tumorbiologie. In der Literatur wird eine Alters-assoziierte Verschiebung hin zu luminalen, ER-positiven Tumoren beschrieben, während immunologische Aktivität und Proliferationssignale bei älteren Patientinnen häufig geringer ausgeprägt sind. Vor dem Hintergrund von Immunoseneszenz, Komorbiditäten und konkurrierenden Risiken ist eine altersadaptierte Biomarker-Interpretation und Therapie-Individualisierung besonders relevant.
2. Zielsetzung und HypothesenÜbergeordnetes Ziel ist es, die Assoziation zwischen Lebensalter und Genexpression beim frühen Mammakarzinom zu charakterisieren und prognostische sowie potentiell therapeutische Implikationen abzuleiten.
Primäre Hypothese:
Patientinnen ≥70 Jahre zeigen (i) eine höhere ESR1-Expression, (ii) eine niedrigere Expression von Lymphozyten-Markern (z.B. IGKC, CD3D/CD3E, CD8A, MS4A1/CD20), (iii) niedrigere Proliferationsmarker (z.B. MKI67/Ki-67) und (iv) ein verlängertes metastasenfreies Überleben (MFS) im Vergleich zu Patientinnen ≤70 Jahre.
Sekundäre Fragestellungen:
Sind Alters-assoziierte Expressionsmuster unabhängig von klassischen klinisch-pathologischen Faktoren (T, N, G, ER/PR, HER2, Ki-67)?
Unterscheiden sich die Alters-assoziierten Muster zwischen intrinsischen Subtypen (luminal A-like, luminal B-like, HER2-positiv, basal-like)?
Wie stark vermitteln (mediatieren) Proliferation und Immunmarker den Zusammenhang zwischen Alter und MFS (explorativ)?
Welche Implikationen ergeben sich für De-Eskalationsstrategien bzw. für den Stellenwert immunbasierter Therapien im Alter?

3. StudiendesignRetrospektive, monozentrische Kohortenanalyse auf Basis des Mainzer Genexpressionskollektivs (n=461) mit prospektiv erhobenen klinisch-pathologischen Variablen und Langzeit-Follow-up.
4. Datenbasis und Variablen4.1 Kollektiv und Einschlusskriterien
Eingeschlossen werden Patientinnen mit primärem invasivem, frühem Mammakarzinom und verfügbarer Tumor-Genexpression aus frischem/gefrorenem Gewebe. Vorausgesetzt sind vollständige Basisdaten (Alter bei Erstdiagnose, Tumorstadium/Größe, Lymphknotenstatus, Grad, ER/PR, HER2, Ki-67) sowie Follow-up-Informationen.
4.2 Expositionsvariable
Alter bei Erstdiagnose (kontinuierlich) sowie kategorisiert: (a) dichotom ≤70 vs. >70 Jahre (primär) und (b) trichotom <50, 50–70, >70 Jahre (sensitiv/explorativ).
4.3 Molekulare Variablen (Genexpression)
Luminal/Endokrin: ESR1 (primär), optional PGR, GATA3
Proliferation: MKI67/Ki-67 (primär), optional AURKA oder Proliferations-Metagene
Immunzellmarker: CD3D/CD3E (T-Zellen), CD8A (zytotoxische T-Zellen), IGKC (B/Plasmazellen), MS4A1/CD20 (B-Zellen)4.4 Klinische Kovariaten
Tumorgröße (pT), Nodalstatus (pN), histologischer Grad (G)
ER, PR, HER2 (IHC/FISH nach lokaler Routine)
Ki-67 Index (IHC), falls verfügbar parallel zur MKI67-Expression
Intrinsischer Subtyp (Surrogat-/Genexpressions-basierte Klassifikation; luminal A-like, luminal B-like, HER2-positiv, basal-like)
Therapie-Variablen (falls vorhanden/auswertbar): adjuvante Systemtherapie, endokrine Therapie, Anti-HER2, Chemotherapie

5. EndpunktePrimärer Endpunkt:
Distant metastasis-free survival (MFS): Zeit von Erstdiagnose bis Auftreten einer Fernmetastase oder Zensierung.
Sekundäre Endpunkte (falls Daten verfügbar):
Gesamtüberleben (OS)
krankheitsfreies Überleben (DFS)
Subtyp-spezifisches MFS

6. Methodik und statistischer Analyseplan6.1 Genexpressionsdaten: Vorverarbeitung und Qualitätssicherung
Die Genexpressionsdaten stammen aus Affymetrix-Microarrays. Abhängig vom Array-Typ erfolgt die Normalisierung mittels MAS5.0 oder RMA; Werte werden log2-transformiert. Qualitätskontrollen umfassen u.a. Array-QC-Metriken, Ausreißerdiagnostik und Plausibilitätschecks (z.B. ESR1 vs. ER-Status). Falls mehrere Probe-Sets pro Gen existieren, wird das biologisch/technisch geeignetste Probe-Set anhand etablierter Annotationen gewählt.
6.2 Deskriptive Statistik
Beschreibung des Gesamtkollektivs sowie stratifiziert nach Altersgruppen (≤70 vs. >70; zusätzlich trichotom). Kontinuierliche Variablen: Median (IQR) und Verteilungen; kategoriale Variablen: Häufigkeiten (%). Gruppenvergleiche: Wilcoxon/Mann-Whitney bzw. Kruskal-Wallis (kontinuierlich) und Chi-Quadrat/Fisher (kategorial).
6.3 Zusammenhang Alter – Genexpression
Univariat: Spearman-Rangkorrelation zwischen Alter (kontinuierlich) und Genexpression (ESR1, MKI67, IGKC, CD3D/CD3E, CD8A, MS4A1). Visualisierung durch Scatterplots mit Regressions-/LOESS-Linien sowie Boxplots nach Alterskategorien.
Multivariat: Lineare Regression (Genexpression als abhängige Variable) mit Alter und klinischen Kovariaten (Subtyp, T, N, G, ER/PR/HER2, Ki-67) zur Abschätzung unabhängiger Altersassoziationen. Robuste Standardfehler oder Transformationen werden erwogen, falls Modellannahmen verletzt sind.
6.4 Subtyp-spezifische Analysen
Stratifizierte Analysen innerhalb der intrinsischen Subtypen (luminal A-like, luminal B-like, HER2-positiv, basal-like). Interaktionstests (Alter × Subtyp) in Regressionsmodellen prüfen, ob Altersassoziationen subtypspezifisch variieren.
6.5 Unsupervised Analysen (PCA/Clustering)
Explorativ werden PCA und hierarchisches Clustering eingesetzt, um globale Muster zu identifizieren. Die PCA erfolgt auf z-standardisierten Expressionswerten ausgewählter Gene/Signaturen; Darstellung mit Farb-Codierung nach Alter, Subtyp und Metastasierungsstatus. Clustering: Distanzmaß (z.B. Euclidisch), Linkage (z.B. complete) und Heatmap.
6.6 Prognostische Analysen (MFS)
Kaplan-Meier-Analysen und Log-Rank-Tests vergleichen MFS zwischen Altersgruppen und zwischen High/Low-Expression (z.B. median-dichotom).
Cox-Regression: (a) univariat (Alter; einzelne Gene/Signaturen) und (b) multivariat mit klinischen Kovariaten zur Prüfung, ob Alter und Genexpression unabhängige Prädiktoren für MFS sind. Proportionalitätsannahme wird mittels Schoenfeld-Residuen geprüft. Für konkurrierende Risiken (nicht tumorbedingte Mortalität) kann optional ein Fine-Gray-Modell ergänzt werden (sensitiv).
6.7 Multiple Testung und Robustheit
Bei Analysen mehrerer Gene/Signaturen wird eine Adjustierung für multiple Testung (Benjamini-Hochberg/FDR) eingesetzt. Sensitivitätsanalysen umfassen alternative Alterscutoffs (z.B. 65, 75), kontinuierliche Modelle (Splines) und Subgruppenanalysen.
6.8 Software und Reproduzierbarkeit
Die Analysen erfolgen in R (aktuelle Version) mit u.a. Paketen survival, survminer, ggplot2, factoextra und pheatmap. Code und Output werden versioniert; ein Analyse-Report (R Markdown/Quarto) dient der Nachvollziehbarkeit.
7. Erwartete Ergebnisse und BedeutungEs wird erwartet, dass ältere Patientinnen eine luminal-dominante, weniger proliferative und immunärmere Tumorbiologie aufweisen und dies mit einem günstigeren MFS assoziiert ist. Die Ergebnisse sollen (i) altersadaptierte Biomarkerinterpretation unterstützen, (ii) Hypothesen für De-Eskalation bei HR-positiven Tumoren im Alter liefern und (iii) die Rolle immunbasierter Therapiestrategien vor dem Hintergrund der Immunoseneszenz einordnen.
8. Arbeits- und Zeitplan (Vorschlag, 18–24 Monate)

Monat 1–2: Datenabzug, Variablendefinition, Analyseplan finalisieren, Ethik/Datenschutz klären
Monat 3–5: QC/Normalisierung Genexpression, deskriptive Analysen, erste Visualisierungen
Monat 6–9: Hauptanalysen (Korrelation/Regression), Subtyp- und Sensitivitätsanalysen
Monat 10–12: Prognostische Analysen (KM/Cox), ggf. competing risks, Ergebnis-Synthese
Monat 13–16: Manuskript/Dissertationstexte (Einleitung/Methoden/Ergebnisse), Abbildungen & Tabellen
Monat 17–18: Feedbackschleifen, finale Version, Einreichung/Disputation (abhängig von Vorgaben)

9. Ressourcen, Datenmanagement und EthikDie Arbeit basiert auf vorhandenen, pseudonymisierten Forschungsdaten des Universitätsmedizin Mainz Tumorbank- bzw. Genexpressionsprogramms. Es werden keine zusätzlichen Patientenkontakte oder Interventionen durchgeführt. Datenspeicherung erfolgt auf gesicherten Klinik-/Institutsservern; Zugriff wird auf das Studienteam beschränkt. Ein Ethikvotum bzw. eine Bestätigung der Ethikkommission wird gemäß lokalen Vorgaben eingeholt.
 » weiterlesen» einklappen