Рак поджелудочной железы — одна из самых смертоносных опухолей в мире с плохим прогнозом.Следовательно, необходима точная модель прогнозирования для выявления пациентов с высоким риском развития рака поджелудочной железы, чтобы адаптировать лечение и улучшить прогноз этих пациентов.
Мы получили данные RNAseq аденокарциномы поджелудочной железы (PAAD) Атласа генома рака (TCGA) из базы данных UCSC Xena, идентифицировали иммунно-связанные днРНК (irlncRNA) посредством корреляционного анализа и выявили различия между TCGA и нормальными тканями аденокарциномы поджелудочной железы.DEirlncRNA) из TCGA и тканевой экспрессии генотипа (GTEx) ткани поджелудочной железы.Дальнейший одномерный и лассо-регрессионный анализ был проведен для построения моделей прогностических сигнатур.Затем мы рассчитали площадь под кривой и определили оптимальное пороговое значение для выявления пациентов с аденокарциномой поджелудочной железы высокого и низкого риска.Сравнить клинические характеристики, инфильтрацию иммунных клеток, иммуносупрессивное микроокружение и резистентность к химиотерапии у пациентов с раком поджелудочной железы высокого и низкого риска.
Мы идентифицировали 20 пар DEirlncRNA и сгруппировали пациентов в соответствии с оптимальным пороговым значением.Мы продемонстрировали, что наша модель прогностической сигнатуры имеет значительную эффективность в прогнозировании прогноза пациентов с PAAD.AUC кривой ROC составляет 0,905 для прогноза на 1 год, 0,942 для прогноза на 2 года и 0,966 для прогноза на 3 года.Пациенты из группы высокого риска имели более низкие показатели выживаемости и худшие клинические характеристики.Мы также продемонстрировали, что у пациентов из группы высокого риска наблюдается иммуносупрессия, и у них может развиться резистентность к иммунотерапии.Оценка противораковых препаратов, таких как паклитаксел, сорафениб и эрлотиниб, на основе инструментов компьютерного прогнозирования может быть подходящей для пациентов высокого риска с ПААД.
В целом, наше исследование создало новую модель прогностического риска, основанную на парной irlncRNA, которая показала многообещающую прогностическую ценность у пациентов с раком поджелудочной железы.Наша модель прогностического риска может помочь дифференцировать пациентов с PAAD, которые подходят для медицинского лечения.
Рак поджелудочной железы — злокачественная опухоль с низкой пятилетней выживаемостью и высокой степенью злокачественности.На момент постановки диагноза большинство пациентов уже находятся на поздних стадиях.В условиях эпидемии COVID-19 врачи и медсестры испытывают огромное давление при лечении пациентов с раком поджелудочной железы, а семьи пациентов также сталкиваются с множественным давлением при принятии решений о лечении [1, 2].Хотя большие успехи были достигнуты в лечении ПОАД, таких как неоадъювантная терапия, хирургическая резекция, лучевая терапия, химиотерапия, таргетная молекулярная терапия и ингибиторы иммунных контрольных точек (ИКИ), только около 9% пациентов выживают через пять лет после постановки диагноза [3]. ].], 4].Поскольку ранние симптомы аденокарциномы поджелудочной железы атипичны, у пациентов обычно диагностируются метастазы на поздней стадии [5].Следовательно, для конкретного пациента индивидуализированное комплексное лечение должно взвешивать преимущества и недостатки всех вариантов лечения не только для продления выживаемости, но и для улучшения качества жизни [6].Поэтому для точной оценки прогноза пациента необходима эффективная модель прогнозирования [7].Таким образом, можно выбрать подходящее лечение, чтобы сбалансировать выживаемость и качество жизни пациентов с ПААД.
Плохой прогноз при PAAD обусловлен главным образом резистентностью к химиотерапевтическим препаратам.В последние годы ингибиторы иммунных контрольных точек широко используются при лечении солидных опухолей [8].Однако использование ИКИ при раке поджелудочной железы редко бывает успешным [9].Поэтому важно выявить пациентов, которым может быть полезна терапия ICI.
Длинная некодирующая РНК (днРНК) — это тип некодирующей РНК с транскриптами >200 нуклеотидов.LncRNA широко распространены и составляют около 80% транскриптома человека [10].Большой объем работ показал, что прогностические модели на основе днРНК могут эффективно предсказывать прогноз пациента [11, 12].Например, было идентифицировано 18 днРНК, связанных с аутофагией, которые создают прогностические признаки рака молочной железы [13].Шесть других днРНК, связанных с иммунитетом, были использованы для установления прогностических особенностей глиомы [14].
В некоторых исследованиях при раке поджелудочной железы были установлены сигнатуры на основе днРНК для прогнозирования прогноза пациента.Сигнатура 3-днРНК была установлена при аденокарциноме поджелудочной железы с площадью под кривой ROC (AUC) всего 0,742 и общей выживаемостью (ОВ) 3 года [15].Кроме того, значения экспрессии днРНК варьируются в зависимости от разных геномов, разных форматов данных и разных пациентов, а эффективность прогностической модели нестабильна.Поэтому мы используем новый алгоритм моделирования, спаривание и итерацию, для генерации сигнатур lncRNA (irlncRNA), связанных с иммунитетом, для создания более точной и стабильной прогностической модели [8].
Нормализованные данные RNAseq (FPKM) и данные клинического рака поджелудочной железы TCGA и экспрессии генотипа ткани (GTEx) были получены из базы данных UCSC XENA (https://xenabrowser.net/datapages/).Файлы GTF были получены из базы данных Ensembl (http://asia.ensembl.org) и использованы для извлечения профилей экспрессии lncRNA из RNAseq.Мы загрузили гены, связанные с иммунитетом, из базы данных ImmPort (http://www.immport.org) и идентифицировали днРНК, связанные с иммунитетом (irlncRNA), с помощью корреляционного анализа (p < 0,001, r > 0,4).Идентификация дифференциально экспрессируемых irlncRNA (DEirlncRNA) путем скрещивания irlncRNA и дифференциально экспрессируемых lncRNA, полученных из базы данных GEPIA2 (http://gepia2.cancer-pku.cn/#index) в когорте TCGA-PAAD (|logFC| > 1 и FDR) ) <0,05).
Об этом методе сообщалось ранее [8].В частности, мы конструируем X для замены парных днРНК A и днРНК B. Когда значение экспрессии днРНК A выше, чем значение экспрессии днРНК B, X определяется как 1, в противном случае X определяется как 0. Следовательно, мы можем получить матрица 0 или – 1. Вертикальная ось матрицы представляет каждый образец, а горизонтальная ось представляет каждую пару DEirlncRNA со значением 0 или 1.
Для скрининга прогностических пар DEirlncRNA использовали одномерный регрессионный анализ с последующей регрессией Лассо.В анализе лассо-регрессии использовалась 10-кратная перекрестная проверка, повторенная 1000 раз (p <0,05), со 1000 случайными стимулами за один цикл.Когда частота каждой пары DEirlncRNA превышала 100 раз за 1000 циклов, пары DEirlncRNA отбирались для построения прогностической модели риска.Затем мы использовали кривую AUC, чтобы найти оптимальное пороговое значение для классификации пациентов с PAAD на группы высокого и низкого риска.Значение AUC каждой модели также рассчитывали и строили в виде кривой.Если кривая достигает высшей точки, указывающей максимальное значение AUC, процесс расчета останавливается и модель считается лучшим кандидатом.Были построены 1-, 3- и 5-летние модели кривой ROC.Одномерный и многомерный регрессионный анализ использовался для изучения независимой прогностической эффективности модели прогностического риска.
Используйте семь инструментов для изучения скорости инфильтрации иммунных клеток, включая XCELL, TIMER, QUANTISEQ, MCPCOUNTER, EPIC, CIBERSORT-ABS и CIBERSORT.Данные об инфильтрации иммунных клеток были загружены из базы данных TIMER2 (http://timer.comp-genomics.org/#tab-5817-3).Разницу в содержании иммуноинфильтрирующих клеток между группами высокого и низкого риска построенной модели анализировали с помощью знаково-рангового критерия Вилкоксона, результаты представлены на квадратном графике.Корреляционный анализ Спирмена был проведен для анализа взаимосвязи между значениями оценки риска и клетками, инфильтрирующими иммунитет.Результирующий коэффициент корреляции показан в виде леденца.Порог значимости был установлен на уровне p <0,05.Процедура выполнялась с использованием пакета R ggplot2.Чтобы изучить взаимосвязь между моделью и уровнями экспрессии генов, связанными со скоростью инфильтрации иммунных клеток, мы выполнили пакет ggstatsplot и визуализацию скрипичного графика.
Чтобы оценить схемы клинического лечения рака поджелудочной железы, мы рассчитали IC50 обычно используемых химиотерапевтических препаратов в когорте TCGA-PAAD.Различия в половинных ингибирующих концентрациях (IC50) между группами высокого и низкого риска сравнивали с использованием знаково-рангового критерия Уилкоксона, а результаты представлены в виде коробчатых диаграмм, созданных с использованием pRRophetic и ggplot2 в R. Все методы соответствуют соответствующим руководствам и нормам.
Рабочий процесс нашего исследования показан на рисунке 1. Используя корреляционный анализ между lncRNA и генами, связанными с иммунитетом, мы выбрали 724 irlncRNA с p < 0,01 и r > 0,4.Затем мы проанализировали дифференциально экспрессируемые днРНК GEPIA2 (рис. 2А).В общей сложности 223 irlncRNAs были дифференциально экспрессированы между аденокарциномой поджелудочной железы и нормальной тканью поджелудочной железы (|logFC| > 1, FDR <0,05), названными DEirlncRNAs.
Построение прогнозных моделей риска.(А) График вулкана дифференциально экспрессируемых днРНК.(Б) Распределение коэффициентов лассо для 20 пар DEirlncRNA.(C) Частичная дисперсия правдоподобия распределения коэффициента LASSO.(D) Лесной график, показывающий одномерный регрессионный анализ 20 пар DEirlncRNA.
Затем мы построили матрицу 0 или 1 путем спаривания 223 DEirlncRNA.Всего было идентифицировано 13 687 пар DEirlncRNA.После одномерного и лассо-регрессионного анализа 20 пар DEirlncRNA были окончательно протестированы для построения модели прогностического риска (рис. 2B-D).На основании результатов Лассо и множественного регрессионного анализа мы рассчитали оценку риска для каждого пациента в когорте TCGA-PAAD (таблица 1).На основании результатов лассо-регрессионного анализа мы рассчитали оценку риска для каждого пациента в когорте TCGA-PAAD.AUC кривой ROC составила 0,905 для прогноза модели риска на 1 год, 0,942 для прогноза на 2 года и 0,966 для прогноза на 3 года (рис. 3A-B).Мы установили оптимальное пороговое значение 3,105, разделили пациентов когорты TCGA-PAAD на группы высокого и низкого риска и построили график результатов выживаемости и распределения оценок риска для каждого пациента (рис. 3C-E).Анализ Каплана-Мейера показал, что выживаемость пациентов с ПААД в группе высокого риска была значительно ниже, чем у пациентов в группе низкого риска (p <0,001) (рис. 3F).
Валидность моделей прогностического риска.(А) ROC модели прогностического риска.(B) 1-, 2- и 3-летние модели прогностического риска ROC.(C) ROC модели прогностического риска.Показывает оптимальную точку отсечки.(DE) Распределение статуса выживаемости (D) и оценок риска (E).(F) Анализ Каплана-Мейера пациентов с PAAD в группах высокого и низкого риска.
Далее мы оценили различия в показателях риска по клиническим характеристикам.Ленточный график (рис. 4А) показывает общую взаимосвязь между клиническими характеристиками и показателями риска.В частности, пациенты старшего возраста имели более высокие оценки риска (рис. 4B).Кроме того, пациенты со стадией II имели более высокие оценки риска, чем пациенты со стадией I (рис. 4C).Что касается степени опухоли у пациентов с PAAD, пациенты 3-й степени имели более высокие оценки риска, чем пациенты 1-й и 2-й степени (рис. 4D).Далее мы провели одномерный и многомерный регрессионный анализ и продемонстрировали, что показатель риска (p <0,001) и возраст (p = 0,045) являются независимыми прогностическими факторами у пациентов с PAAD (рис. 5A-B).Кривая ROC продемонстрировала, что показатель риска превосходил другие клинические характеристики при прогнозировании 1-, 2- и 3-летней выживаемости пациентов с PAAD (рис. 5C-E).
Клинические характеристики моделей прогностического риска.Гистограмма (A) показывает (B) возраст, (C) стадию опухоли, (D) степень опухоли, оценку риска и пол пациентов в когорте TCGA-PAAD.**р < 0,01
Независимый прогнозный анализ моделей прогностического риска.(AB) Одномерный (A) и многомерный (B) регрессионный анализ моделей прогностического риска и клинических характеристик.(CE) 1-, 2- и 3-летний ROC для моделей прогностического риска и клинических характеристик
Поэтому мы исследовали взаимосвязь между временем и показателями риска.Мы обнаружили, что показатель риска у пациентов с PAAD обратно коррелировал с CD8+ T-клетками и NK-клетками (рис. 6A), что указывает на подавление иммунной функции в группе высокого риска.Мы также оценили разницу в инфильтрации иммунных клеток между группами высокого и низкого риска и получили те же результаты (рис. 7).В группе высокого риска инфильтрация CD8+ Т-клеток и NK-клеток была меньше.В последние годы ингибиторы иммунных контрольных точек (ИКИ) широко используются при лечении солидных опухолей.Однако использование ИКИ при раке поджелудочной железы редко было успешным.Поэтому мы оценили экспрессию генов иммунных контрольных точек в группах высокого и низкого риска.Мы обнаружили, что CTLA-4 и CD161 (KLRB1) сверхэкспрессируются в группе низкого риска (рис. 6B-G), что указывает на то, что пациенты с PAAD в группе низкого риска могут быть чувствительны к ICI.
Корреляционный анализ модели прогностического риска и инфильтрации иммунных клеток.(A) Корреляция между моделью прогностического риска и инфильтрацией иммунных клеток.(BG) Указывает на экспрессию генов в группах высокого и низкого риска.(HK) Значения IC50 для конкретных противораковых препаратов в группах высокого и низкого риска.*p < 0,05, **p < 0,01, нс = незначительно.
Далее мы оценили связь между показателями риска и распространенными химиотерапевтическими агентами в когорте TCGA-PAAD.Мы провели поиск часто используемых противораковых препаратов при раке поджелудочной железы и проанализировали различия в их значениях IC50 между группами высокого и низкого риска.Результаты показали, что значение IC50 AZD.2281 (олапариба) было выше в группе высокого риска, что указывает на то, что пациенты с PAAD в группе высокого риска могут быть резистентны к лечению AZD.2281 (рис. 6H).Кроме того, значения IC50 паклитаксела, сорафениба и эрлотиниба были ниже в группе высокого риска (рис. 6I-K).Далее мы определили 34 противораковых препарата с более высокими значениями IC50 в группе высокого риска и 34 противораковых препарата с более низкими значениями IC50 в группе высокого риска (таблица 2).
Нельзя отрицать, что днРНК, мРНК и микроРНК широко существуют и играют решающую роль в развитии рака.Существует множество доказательств, подтверждающих важную роль мРНК или микроРНК в прогнозировании общей выживаемости при нескольких типах рака.Несомненно, многие модели прогностического риска также основаны на днРНК.Например, Луо и др.Исследования показали, что LINC01094 играет ключевую роль в пролиферации и метастазировании ПК, а высокая экспрессия LINC01094 указывает на плохую выживаемость пациентов с раком поджелудочной железы [16].Исследование, представленное Lin et al.Исследования показали, что снижение регуляции lncRNA FLVCR1-AS1 связано с плохим прогнозом у пациентов с раком поджелудочной железы [17].Однако днРНК, связанные с иммунитетом, относительно менее обсуждаются с точки зрения прогнозирования общей выживаемости онкологических больных.В последнее время большой объем работ сосредоточен на построении прогностических моделей риска для прогнозирования выживаемости онкологических больных и тем самым корректировки методов лечения [18, 19, 20].Растет признание важной роли иммунных инфильтратов в инициировании, прогрессировании рака и ответе на такое лечение, как химиотерапия.Многочисленные исследования подтвердили, что инфильтрирующие опухоль иммунные клетки играют решающую роль в ответе на цитотоксическую химиотерапию [21, 22, 23].Иммунное микроокружение опухоли является важным фактором выживаемости опухолевых больных [24, 25].Иммунотерапия, особенно терапия ICI, широко применяется при лечении солидных опухолей [26].Гены, связанные с иммунитетом, широко используются для построения моделей прогностического риска.Например, Су и др.Модель прогностического риска, связанного с иммунитетом, основана на генах, кодирующих белки, для прогнозирования прогноза больных раком яичников [27].Некодирующие гены, такие как днРНК, также подходят для построения моделей прогностического риска [28, 29, 30].Луо и др. протестировали четыре днРНК, связанные с иммунитетом, и построили прогностическую модель риска рака шейки матки [31].Хан и др.Всего было идентифицировано 32 дифференциально экспрессируемых транскрипта, и на основе этого была создана модель прогнозирования с 5 значимыми транскриптами, которая была предложена в качестве настоятельно рекомендуемого инструмента для прогнозирования подтвержденного биопсией острого отторжения после трансплантации почки [32].
Большинство этих моделей основаны на уровнях экспрессии генов, либо генов, кодирующих белок, либо некодирующих генов.Однако один и тот же ген может иметь разные значения экспрессии в разных геномах, форматах данных и у разных пациентов, что приводит к нестабильным оценкам в прогностических моделях.В этом исследовании мы построили разумную модель с двумя парами днРНК, независимую от точных значений экспрессии.
В этом исследовании мы впервые идентифицировали irlncRNA посредством корреляционного анализа с генами, связанными с иммунитетом.Мы проверили 223 DEirlncRNA путем гибридизации с дифференциально экспрессируемыми lncRNA.Во-вторых, мы построили матрицу 0-или-1 на основе опубликованного метода спаривания DEirlncRNA [31].Затем мы провели одномерный и лассо-регрессионный анализ, чтобы идентифицировать прогностические пары DEirlncRNA и построить прогностическую модель риска.Далее мы проанализировали связь между показателями риска и клиническими характеристиками у пациентов с PAAD.Мы обнаружили, что наша модель прогностического риска, как независимый прогностический фактор у пациентов с PAAD, может эффективно дифференцировать пациентов с высокой степенью злокачественности от пациентов с низкой степенью злокачественности и пациентов с высокой степенью злокачественности от пациентов с низкой степенью злокачественности.Кроме того, значения AUC кривой ROC модели прогностического риска составили 0,905 для прогноза на 1 год, 0,942 для прогноза на 2 года и 0,966 для прогноза на 3 года.
Исследователи сообщили, что пациенты с более высокой инфильтрацией CD8+ Т-клеток были более чувствительны к лечению ICI [33].Увеличение содержания цитотоксических клеток, CD56 NK-клеток, NK-клеток и CD8+ Т-клеток в иммунном микроокружении опухоли может быть одной из причин опухолесупрессирующего эффекта [34].Предыдущие исследования показали, что более высокие уровни инфильтрирующих опухоль CD4(+) T и CD8(+) T были значительно связаны с более длительной выживаемостью [35].Плохая инфильтрация CD8 Т-клеток, низкая неоантигенная нагрузка и сильно иммуносупрессивное микроокружение опухоли приводят к отсутствию ответа на терапию ICI [36].Мы обнаружили, что показатель риска отрицательно коррелирует с CD8+ Т-клетками и NK-клетками, что указывает на то, что пациенты с высокими показателями риска могут не подходить для лечения ICI и иметь худший прогноз.
CD161 является маркером естественных клеток-киллеров (NK).CD8+CD161+ CAR-трансдуцированные Т-клетки опосредуют повышенную противоопухолевую эффективность in vivo на моделях ксенотрансплантата HER2+ аденокарциномы протоков поджелудочной железы [37].Ингибиторы иммунных контрольных точек воздействуют на пути белка 4, связанного с цитотоксическими Т-лимфоцитами (CTLA-4) и белка 1 запрограммированной гибели клеток (PD-1)/лиганда запрограммированной гибели клеток 1 (PD-L1), и имеют большой потенциал во многих областях.Экспрессия CTLA-4 и CD161 (KLRB1) ниже в группах высокого риска, что еще раз указывает на то, что пациенты с оценками высокого риска могут не подходить для лечения ICI.[38]
Чтобы найти варианты лечения, подходящие для пациентов с высоким риском, мы проанализировали различные противораковые препараты и обнаружили, что паклитаксел, сорафениб и эрлотиниб, которые широко используются у пациентов с PAAD, могут подходить для пациентов с высоким риском PAAD.[33].Чжан и др. обнаружили, что мутации в любом пути реакции на повреждение ДНК (DDR) могут привести к плохому прогнозу у пациентов с раком простаты [39].Исследование Pancreatic Cancer Olaparib Ongoing (POLO) показало, что поддерживающее лечение олапарибом продлевает выживаемость без прогрессирования по сравнению с плацебо после химиотерапии первой линии на основе платины у пациентов с аденокарциномой протоков поджелудочной железы и мутациями BRCA1/2 зародышевой линии [40].Это вселяет значительный оптимизм в отношении того, что результаты лечения значительно улучшатся в этой подгруппе пациентов.В этом исследовании значение IC50 AZD.2281 (олапариба) было выше в группе высокого риска, что указывает на то, что пациенты с PAAD в группе высокого риска могут быть резистентны к лечению AZD.2281.
Модели прогнозирования в этом исследовании дают хорошие результаты прогнозирования, но они основаны на аналитических прогнозах.Как подтвердить эти результаты клиническими данными – важный вопрос.Эндоскопическая тонкоигольная аспирационная ультрасонография (ЭУЗИ-ФНА) стала незаменимым методом диагностики солидных и экстрапанкреатических поражений поджелудочной железы с чувствительностью 85% и специфичностью 98% [41].Появление игл для тонкоигольной биопсии EUS (EUS-FNB) в основном основано на предполагаемых преимуществах перед FNA, таких как более высокая диагностическая точность, получение образцов, сохраняющих гистологическую структуру, и, таким образом, создание иммунной ткани, что имеет решающее значение для определенных диагнозов.специальное окрашивание [42].Систематический обзор литературы подтвердил, что иглы FNB (особенно 22G) демонстрируют наибольшую эффективность при заборе ткани из образований поджелудочной железы [43].Клинически лишь небольшое количество пациентов могут быть подвергнуты радикальному хирургическому вмешательству, и у большинства пациентов на момент первоначального диагноза опухоли неоперабельны.В клинической практике радикальная операция подходит лишь небольшой части пациентов, поскольку на момент первичной диагностики у большинства пациентов опухоли неоперабельны.После патологического подтверждения с помощью EUS-FNB и других методов обычно выбирается стандартное нехирургическое лечение, такое как химиотерапия.Наша последующая исследовательская программа направлена на проверку прогностической модели этого исследования в хирургических и нехирургических когортах посредством ретроспективного анализа.
В целом, наше исследование создало новую модель прогностического риска, основанную на парной irlncRNA, которая показала многообещающую прогностическую ценность у пациентов с раком поджелудочной железы.Наша модель прогностического риска может помочь дифференцировать пациентов с PAAD, которые подходят для медицинского лечения.
Наборы данных, использованные и проанализированные в текущем исследовании, доступны у соответствующего автора по обоснованному запросу.
Суй Вэнь, Гонг Х, Чжуан Ю. Посредническая роль самоэффективности в эмоциональной регуляции негативных эмоций во время пандемии COVID-19: поперечное исследование.Int J Ment Health Nurs [статья в журнале].2021 01.06.2021;30(3):759–71.
Суй Вэнь, Гун X, Цяо X, Чжан Л., Ченг Дж., Донг Дж. и др.Взгляды членов семьи на альтернативное принятие решений в отделениях интенсивной терапии: систематический обзор.INT J NURS STUD [статья в журнале;обзор].2023 01.01.2023;137:104391.
Винсент А., Герман Дж., Шулих Р., Хрубан Р.Х., Гоггинс М. Рак поджелудочной железы.Ланцет.[Журнальная статья;поддержка исследований, НИЗ, заочная форма обучения;поддержка исследований, правительство за пределами США;обзор].2011 13.08.2011;378(9791):607–20.
Илич М., Илич И. Эпидемиология рака поджелудочной железы.Всемирный журнал гастроэнтерологии.[Журнальная статья, обзор].2016 28.11.2016;22(44):9694–705.
Лю X, Чен Б, Чен Дж, Сунь С. Новая номограмма, связанная с tp53, для прогнозирования общей выживаемости у пациентов с раком поджелудочной железы.BMC Cancer [статья в журнале].2021 31-03-2021;21(1):335.
Сянь X, Чжу X, Чен Ю, Хуан Б, Сян В. Влияние терапии, ориентированной на решение проблем, на утомляемость, связанную с раком, у пациентов с колоректальным раком, получающих химиотерапию: рандомизированное контролируемое исследование.Медсестра рака.[Журнальная статья;рандомизированное контролируемое исследование;исследование поддерживается правительством за пределами США].2022 01.05.2022;45(3):E663–73.
Чжан Ченг, Чжэн Вэнь, Лу Ю, Шань Л, Сюй Донг, Пан Ю и др.Послеоперационные уровни карциноэмбрионального антигена (СЕА) предсказывают исход после резекции колоректального рака у пациентов с нормальными предоперационными уровнями СЕА.Центр трансляционных исследований рака.[Журнальная статья].2020 01.01.2020;9(1):111–8.
Хун Вэнь, Лян Ли, Гу Юй, Ци Цзы, Цю Хуа, Ян Икс и др.ДнРНК, связанные с иммунитетом, генерируют новые сигнатуры и предсказывают иммунный ландшафт гепатоцеллюлярной карциномы человека.Mol Ther Нуклеиновые кислоты [Журнальная статья].2020 2020-12-04;22:937 – 47.
Тоффи Р.Дж., Чжу Ю., Шулих Р.Д. Иммунотерапия рака поджелудочной железы: препятствия и прорывы.Энн желудочно-кишечный хирург [журнальная статья;обзор].2018 01.07.2018;2(4):274–81.
Халл Р., Мбита З., Дламини З. Длинные некодирующие РНК (LncRNA), геномика вирусных опухолей и события аберрантного сплайсинга: терапевтические последствия.AM J CANCER RES [журнальная статья;обзор].2021 20.01.2021;11(3):866–83.
Ван Дж., Чен П., Чжан Ю., Дин Дж., Ян Ю., Ли Х. 11. Идентификация сигнатур днРНК, связанных с прогнозом рака эндометрия.Достижения науки [журнальная статья].2021 2021-01-01;104(1):311977089.
Цзян С., Жэнь Х., Лю С., Лу З., Сюй А., Цинь С. и др.Комплексный анализ прогностических генов РНК-связывающих белков и кандидатов на лекарственные средства при папиллярно-клеточном почечно-клеточном раке.преген.[Журнальная статья].2021 20.01.2021;12:627508.
Ли Х, Чен Дж, Юй Ц, Хуан Х, Лю З, Ван Х и др.Характеристики длинной некодирующей РНК, связанной с аутофагией, предсказывают прогноз рака молочной железы.преген.[Журнальная статья].2021 20.01.2021;12:569318.
Чжоу М., Чжан З., Чжао Х., Бао С., Ченг Л., Сунь Дж. Связанные с иммунитетом шесть днРНК улучшают прогноз при мультиформной глиобластоме.МОЛ Нейробиология.[Журнальная статья].2018 01.05.2018;55(5):3684–97.
Ву Б, Ван Ц, Фей Дж, Бао Ю, Ван Х, Сун Z и др.Новая сигнатура три-днРНК предсказывает выживаемость пациентов с раком поджелудочной железы.ПРЕДСТАВИТЕЛИ ОНКОЛ.[Журнальная статья].2018 01.12.2018;40(6):3427–37.
Luo C, Lin K, Hu C, Zhu X, Zhu J, Zhu Z. LINC01094 способствует прогрессированию рака поджелудочной железы путем регулирования экспрессии LIN28B и пути PI3K/AKT через губчатую миР-577.Мол Терапевтикс – Нуклеиновые кислоты.2021;26:523–35.
Линь Дж., Чжай Х., Цзоу С., Сюй З., Чжан Дж., Цзян Л. и др.Положительная обратная связь между днРНК FLVCR1-AS1 и KLF10 может ингибировать прогрессирование рака поджелудочной железы по пути PTEN/AKT.J EXP Clin Cancer Res.2021;40(1).
Чжоу X, Лю X, Цзэн X, Ву Д, Лю Л. Идентификация тринадцати генов, предсказывающих общую выживаемость при гепатоцеллюлярной карциноме.Biosci Rep [журнальная статья].2021 09.04.2021.
Время публикации: 22 сентября 2023 г.