Bukspottkörtelcancer är en av de dödligaste tumörerna i världen med dålig prognos. Därför behövs en noggrann prediktionsmodell för att identifiera patienter med hög risk för bukspottkörtelcancer för att skräddarsy behandling och förbättra prognosen för dessa patienter.
Vi erhöll RNAseq-data för The Cancer Genome Atlas (TCGA) pankreasadenokarcinom (PAAD) från UCSC Xena-databasen, identifierade immunrelaterade lncRNA (irlncRNA) genom korrelationsanalys och identifierade skillnader mellan TCGA och normala pankreasadenokarcinomvävnader. DEirlncRNA) från TCGA och genotypvävnadsuttryck (GTEx) i pankreasvävnad. Ytterligare univariata och lasso-regressionsanalyser utfördes för att konstruera prognostiska signaturmodeller. Vi beräknade sedan arean under kurvan och bestämde det optimala gränsvärdet för att identifiera patienter med hög- och lågriskpankreasadenokarcinom. För att jämföra kliniska egenskaper, immuncellsinfiltration, immunsuppressiv mikromiljö och kemoterapiresistens hos patienter med hög- och lågriskpankreascancer.
Vi identifierade 20 DEirlncRNA-par och grupperade patienterna enligt det optimala gränsvärdet. Vi visade att vår prognostiska signaturmodell har signifikant prestanda för att förutsäga prognosen för patienter med PAAD. AUC för ROC-kurvan är 0,905 för 1-årsprognosen, 0,942 för 2-årsprognosen och 0,966 för 3-årsprognosen. Högriskpatienter hade lägre överlevnad och sämre kliniska egenskaper. Vi visade också att högriskpatienter är immunsupprimerade och kan utveckla resistens mot immunterapi. Utvärdering av cancerläkemedel som paklitaxel, sorafenib och erlotinib baserat på beräkningsmässiga prediktionsverktyg kan vara lämpligt för högriskpatienter med PAAD.
Sammantaget etablerade vår studie en ny prognostisk riskmodell baserad på parat irlncRNA, vilken visade lovande prognostiskt värde hos patienter med bukspottkörtelcancer. Vår prognostiska riskmodell kan hjälpa till att differentiera patienter med PAAD som är lämpliga för medicinsk behandling.
Bukspottkörtelcancer är en malign tumör med låg femårsöverlevnad och hög grad. Vid diagnostillfället är de flesta patienter redan i ett avancerat stadium. I samband med COVID-19-epidemin är läkare och sjuksköterskor under enorm press när de behandlar patienter med bukspottkörtelcancer, och patienternas familjer står också inför flera påfrestningar när de fattar behandlingsbeslut [1, 2]. Även om stora framsteg har gjorts i behandlingen av DOAD, såsom neoadjuvant behandling, kirurgisk resektion, strålbehandling, kemoterapi, riktad molekylär terapi och immunkontrollpunktshämmare (ICI), överlever endast cirka 9 % av patienterna fem år efter diagnos [3], 4]. Eftersom de tidiga symtomen på bukspottkörteladenokarcinom är atypiska diagnostiseras patienter vanligtvis med metastaser i ett avancerat stadium [5]. Därför måste individualiserad och omfattande behandling för en given patient väga fördelar och nackdelar med alla behandlingsalternativ, inte bara för att förlänga överlevnaden utan också för att förbättra livskvaliteten [6]. Därför är en effektiv prediktionsmodell nödvändig för att korrekt bedöma en patients prognos [7]. Således kan lämplig behandling väljas för att balansera överlevnad och livskvalitet för patienter med PAAD.
Den dåliga prognosen för pankreascancer (PAAD) beror främst på resistens mot kemoterapiläkemedel. Under senare år har immunkontrollhämmare använts i stor utsträckning vid behandling av solida tumörer [8]. Användningen av ICI vid pankreascancer är dock sällan framgångsrik [9]. Därför är det viktigt att identifiera patienter som kan dra nytta av ICI-behandling.
Långt icke-kodande RNA (lncRNA) är en typ av icke-kodande RNA med transkript >200 nukleotider. LncRNA är utbredda och utgör cirka 80 % av det mänskliga transkriptomet [10]. En stor mängd forskning har visat att lncRNA-baserade prognosmodeller effektivt kan förutsäga patientprognos [11, 12]. Till exempel identifierades 18 autofagirelaterade lncRNA för att generera prognostiska signaturer i bröstcancer [13]. Sex andra immunrelaterade lncRNA har använts för att fastställa de prognostiska egenskaperna hos gliom [14].
Vid pankreascancer har vissa studier etablerat lncRNA-baserade signaturer för att förutsäga patientprognos. En 3-lncRNA-signatur etablerades vid pankreasadenokarcinom med en area under ROC-kurvan (AUC) på endast 0,742 och en total överlevnad (OS) på 3 år [15]. Dessutom varierar lncRNA-uttrycksvärdena mellan olika genom, olika dataformat och olika patienter, och prestandan hos den prediktiva modellen är instabil. Därför använder vi en ny modelleringsalgoritm, parning och iteration, för att generera immunitetsrelaterade lncRNA (irlncRNA)-signaturer för att skapa en mer exakt och stabil prediktiv modell [8].
Normaliserade RNAseq-data (FPKM) och kliniska TCGA- och genotypvävnadsuttrycksdata (GTEx) för pankreascancer erhölls från UCSC XENA-databasen (https://xenabrowser.net/datapages/). GTF-filer erhölls från Ensembl-databasen (http://asia.ensembl.org) och användes för att extrahera lncRNA-uttrycksprofiler från RNAseq. Vi laddade ner immunitetsrelaterade gener från ImmPort-databasen (http://www.immport.org) och identifierade immunitetsrelaterade lncRNA (irlncRNA) med hjälp av korrelationsanalys (p < 0,001, r > 0,4). Identifiering av differentiellt uttryckta irlncRNA (DEirlncRNA) genom att korsa irlncRNA och differentiellt uttryckta lncRNA erhållna från GEPIA2-databasen (http://gepia2.cancer-pku.cn/#index) i TCGA-PAAD-kohorten (|logFC| > 1 och FDR) <0,05).
Denna metod har rapporterats tidigare [8]. Mer specifikt konstruerar vi X för att ersätta det parade lncRNA A och lncRNA B. När uttrycksvärdet för lncRNA A är högre än uttrycksvärdet för lncRNA B, definieras X som 1, annars definieras X som 0. Därför kan vi få en matris på 0 eller –1. Matrisens vertikala axel representerar varje prov, och den horisontella axeln representerar varje DEirlncRNA-par med ett värde på 0 eller 1.
Univariat regressionsanalys följt av lasso-regression användes för att screena prognostiska DEirlncRNA-par. Lasso-regressionsanalysen använde 10-faldig korsvalidering upprepad 1000 gånger (p < 0,05), med 1000 slumpmässiga stimuli per körning. När frekvensen för varje DEirlncRNA-par översteg 100 gånger under 1000 cykler, valdes DEirlncRNA-par för att konstruera en prognostisk riskmodell. Vi använde sedan AUC-kurvan för att hitta det optimala gränsvärdet för att klassificera PAAD-patienter i hög- och lågriskgrupper. AUC-värdet för varje modell beräknades också och ritades som en kurva. Om kurvan når den högsta punkten som indikerar det maximala AUC-värdet, stoppas beräkningsprocessen och modellen anses vara den bästa kandidaten. 1-, 3- och 5-åriga ROC-kurvmodeller konstruerades. Univariata och multivariata regressionsanalyser användes för att undersöka den oberoende prediktiva prestandan hos den prognostiska riskmodellen.
Sju verktyg användes för att studera immuncellsinfiltrationshastigheter, inklusive XCELL, TIMER, QUANTISEQ, MCPCOUNTER, EPIC, CIBERSORT-ABS och CIBERSORT. Data om immuncellsinfiltration laddades ner från TIMER2-databasen (http://timer.comp-genomics.org/#tab-5817-3). Skillnaden i innehållet av immuninfiltrerande celler mellan hög- och lågriskgrupperna i den konstruerade modellen analyserades med hjälp av Wilcoxons signed-rank-test, resultaten visas i kvadratdiagrammet. Spearman-korrelationsanalys utfördes för att analysera sambandet mellan riskpoängvärden och immuninfiltrerande celler. Den resulterande korrelationskoefficienten visas som en klubba. Signifikansgränsen sattes till p < 0,05. Proceduren utfördes med R-paketet ggplot2. För att undersöka sambandet mellan modellen och genuttrycksnivåer associerade med immuncellsinfiltrationshastigheten utförde vi ggstatsplot-paketet och violinplot-visualisering.
För att utvärdera kliniska behandlingsmönster för bukspottkörtelcancer beräknade vi IC50 för vanligt förekommande kemoterapiläkemedel i TCGA-PAAD-kohorten. Skillnader i halvhämmande koncentrationer (IC50) mellan hög- och lågriskgrupper jämfördes med Wilcoxons signed-rank-test, och resultaten visas som boxplots genererade med pRRophetic och ggplot2 i R. Alla metoder följer relevanta riktlinjer och normer.
Arbetsflödet för vår studie visas i figur 1. Med hjälp av korrelationsanalys mellan lncRNA och immunitetsrelaterade gener valde vi ut 724 irlncRNA med p < 0,01 och r > 0,4. Vi analyserade sedan de differentiellt uttryckta lncRNA:erna i GEPIA2 (figur 2A). Totalt 223 irlncRNA uttrycktes differentiellt mellan pankreatisk adenokarcinom och normal pankreasvävnad (|logFC| > 1, FDR < 0,05), benämnda DEirlncRNA.
Konstruktion av prediktiva riskmodeller. (A) Vulkandiagram över differentiellt uttryckta lncRNA. (B) Fördelning av lassokoefficienter för 20 DEirlncRNA-par. (C) Partiell sannolikhetsvarians för LASSO-koefficientfördelningen. (D) Skogsdiagram som visar univariat regressionsanalys av 20 DEirlncRNA-par.
Vi konstruerade sedan en 0- eller 1-matris genom att para ihop 223 DEirlncRNA. Totalt 13 687 DEirlncRNA-par identifierades. Efter univariat och lasso-regressionsanalys testades slutligen 20 DEirlncRNA-par för att konstruera en prognostisk riskmodell (Figur 2B-D). Baserat på resultaten från lasso- och multipel regressionsanalys beräknade vi en riskpoäng för varje patient i TCGA-PAAD-kohorten (Tabell 1). Baserat på resultaten från lasso-regressionsanalysen beräknade vi en riskpoäng för varje patient i TCGA-PAAD-kohorten. AUC för ROC-kurvan var 0,905 för 1-års riskmodellprediktionen, 0,942 för 2-årsprediktionen och 0,966 för 3-årsprediktionen (Figur 3A-B). Vi satte ett optimalt gränsvärde på 3,105, stratifierade patienterna i TCGA-PAAD-kohorten i hög- och lågriskgrupper och ritade upp överlevnadsutfall och riskpoängfördelningar för varje patient (Figur 3C-E). Kaplan-Meier-analys visade att överlevnaden för PAAD-patienter i högriskgruppen var signifikant lägre än för patienter i lågriskgruppen (p < 0,001) (Figur 3F).
Validitet av prognostiska riskmodeller. (A) ROC för den prognostiska riskmodellen. (B) 1-, 2- och 3-åriga ROC-prognostiska riskmodeller. (C) ROC för prognostisk riskmodell. Visar den optimala gränspunkten. (DE) Fördelning av överlevnadsstatus (D) och riskpoäng (E). (F) Kaplan-Meier-analys av PAAD-patienter i hög- och lågriskgrupper.
Vi utvärderade vidare skillnader i riskpoäng utifrån kliniska egenskaper. Remsdiagrammet (Figur 4A) visar det övergripande sambandet mellan kliniska egenskaper och riskpoäng. I synnerhet hade äldre patienter högre riskpoäng (Figur 4B). Dessutom hade patienter med stadium II högre riskpoäng än patienter med stadium I (Figur 4C). Beträffande tumörgrad hos PAAD-patienter hade grad 3-patienter högre riskpoäng än patienter med grad 1 och 2 (Figur 4D). Vi utförde vidare univariata och multivariata regressionsanalyser och visade att riskpoäng (p < 0,001) och ålder (p = 0,045) var oberoende prognostiska faktorer hos patienter med PAAD (Figur 5A-B). ROC-kurvan visade att riskpoängen var överlägsen andra kliniska egenskaper när det gällde att förutsäga 1-, 2- och 3-års överlevnad för patienter med PAAD (Figur 5C-E).
Kliniska egenskaper hos prognostiska riskmodeller. Histogram (A) visar (B) ålder, (C) tumörstadium, (D) tumörgrad, riskpoäng och kön hos patienter i TCGA-PAAD-kohorten. **p < 0,01
Oberoende prediktiv analys av prognostiska riskmodeller. (AB) Univariata (A) och multivariata (B) regressionsanalyser av prognostiska riskmodeller och kliniska egenskaper. (CE) 1-, 2- och 3-årig ROC för prognostiska riskmodeller och kliniska egenskaper.
Därför undersökte vi sambandet mellan tid och riskpoäng. Vi fann att riskpoängen hos PAAD-patienter var omvänt korrelerad med CD8+ T-celler och NK-celler (Figur 6A), vilket indikerar undertryckt immunfunktion i högriskgruppen. Vi bedömde också skillnaden i immuncellsinfiltration mellan hög- och lågriskgrupperna och fann samma resultat (Figur 7). Det fanns mindre infiltration av CD8+ T-celler och NK-celler i högriskgruppen. På senare år har immuncheckpoint-hämmare (ICI) använts i stor utsträckning vid behandling av solida tumörer. Användningen av ICI vid pankreascancer har dock sällan varit framgångsrik. Därför bedömde vi uttrycket av immuncheckpointgener i hög- och lågriskgrupper. Vi fann att CTLA-4 och CD161 (KLRB1) var överuttryckta i lågriskgruppen (Figur 6B-G), vilket indikerar att PAAD-patienter i lågriskgruppen kan vara känsliga för ICI.
Korrelationsanalys av prognostisk riskmodell och immuncellsinfiltration. (A) Korrelation mellan prognostisk riskmodell och immuncellsinfiltration. (BG) Indikerar genuttryck i hög- och lågriskgrupper. (HK) IC50-värden för specifika cancerläkemedel i hög- och lågriskgrupper. *p < 0,05, **p < 0,01, ns = ej signifikant
Vi utvärderade vidare sambandet mellan riskpoäng och vanliga kemoterapimedel i TCGA-PAAD-kohorten. Vi sökte efter vanligt förekommande cancerläkemedel vid bukspottkörtelcancer och analyserade skillnader i deras IC50-värden mellan hög- och lågriskgrupper. Resultaten visade att IC50-värdet för AZD.2281 (olaparib) var högre i högriskgruppen, vilket indikerar att PAAD-patienter i högriskgruppen kan vara resistenta mot AZD.2281-behandling (Figur 6H). Dessutom var IC50-värdena för paklitaxel, sorafenib och erlotinib lägre i högriskgruppen (Figur 6I-K). Vi identifierade vidare 34 cancerläkemedel med högre IC50-värden i högriskgruppen och 34 cancerläkemedel med lägre IC50-värden i högriskgruppen (Tabell 2).
Det kan inte förnekas att lncRNA, mRNA och miRNA existerar i stor utsträckning och spelar en avgörande roll i cancerutveckling. Det finns gott om bevis som stöder mRNA:s eller miRNA:s viktiga roll för att förutsäga total överlevnad i flera typer av cancer. Utan tvekan är många prognostiska riskmodeller också baserade på lncRNA. Till exempel har Luo et al. Studier visat att LINC01094 spelar en nyckelroll i proliferation och metastasering av pankreascancer, och högt uttryck av LINC01094 indikerar dålig överlevnad hos patienter med pankreascancer [16]. Studien som presenterades av Lin et al. Studier har visat att nedreglering av lncRNA FLVCR1-AS1 är associerat med dålig prognos hos patienter med pankreascancer [17]. Immunitetsrelaterade lncRNA diskuteras dock relativt mindre när det gäller att förutsäga total överlevnad för cancerpatienter. Nyligen har en stor mängd arbete fokuserats på att bygga prognostiska riskmodeller för att förutsäga överlevnaden hos cancerpatienter och därigenom justera behandlingsmetoder [18, 19, 20]. Det finns ett växande erkännande av immuninfiltratets viktiga roll i cancers initiering, progression och respons på behandlingar som kemoterapi. Många studier har bekräftat att tumörinfiltrerande immunceller spelar en avgörande roll i responsen på cytotoxisk kemoterapi [21, 22, 23]. Tumörens immunmikromiljö är en viktig faktor för tumörpatienters överlevnad [24, 25]. Immunterapi, särskilt ICI-terapi, används ofta vid behandling av solida tumörer [26]. Immunrelaterade gener används ofta för att konstruera prognostiska riskmodeller. Till exempel, Su et al. Den immunrelaterade prognostiska riskmodellen är baserad på proteinkodande gener för att förutsäga prognosen för patienter med äggstockscancer [27]. Icke-kodande gener som lncRNA är också lämpliga för att konstruera prognostiska riskmodeller [28, 29, 30]. Luo et al. testade fyra immunrelaterade lncRNA och byggde en prediktiv modell för risk för livmoderhalscancer [31]. Khan et al. Totalt 32 differentiellt uttryckta transkript identifierades, och baserat på detta etablerades en prediktionsmodell med 5 signifikanta transkript, vilken föreslogs som ett starkt rekommenderat verktyg för att förutsäga biopsibekräftad akut avstötning efter njurtransplantation [32].
De flesta av dessa modeller är baserade på genuttrycksnivåer, antingen proteinkodande gener eller icke-kodande gener. Samma gen kan dock ha olika uttrycksvärden i olika genom, dataformat och hos olika patienter, vilket leder till instabila uppskattningar i prediktiva modeller. I denna studie byggde vi en rimlig modell med två par lncRNA, oberoende av de exakta uttrycksvärdena.
I denna studie identifierade vi irlncRNA för första gången genom korrelationsanalys med immunitetsrelaterade gener. Vi screenade 223 DEirlncRNA genom hybridisering med differentiellt uttryckta lncRNA. För det andra konstruerade vi en 0-eller-1-matris baserad på den publicerade DEirlncRNA-parningsmetoden [31]. Vi utförde sedan univariata och lasso-regressionsanalyser för att identifiera prognostiska DEirlncRNA-par och konstruera en prediktiv riskmodell. Vi analyserade vidare sambandet mellan riskpoäng och kliniska egenskaper hos patienter med PAAD. Vi fann att vår prognostiska riskmodell, som en oberoende prognostisk faktor hos PAAD-patienter, effektivt kan differentiera höggradiga patienter från låggradiga patienter och höggradiga patienter från låggradiga patienter. Dessutom var AUC-värdena för ROC-kurvan för den prognostiska riskmodellen 0,905 för 1-årsprognosen, 0,942 för 2-årsprognosen och 0,966 för 3-årsprognosen.
Forskare rapporterade att patienter med högre CD8+ T-cellsinfiltration var mer känsliga för ICI-behandling [33]. En ökning av innehållet av cytotoxiska celler, CD56 NK-celler, NK-celler och CD8+ T-celler i tumörens immunmikromiljö kan vara en av orsakerna till den tumörhämmande effekten [34]. Tidigare studier visade att högre nivåer av tumörinfiltrerande CD4(+) T och CD8(+) T var signifikant associerade med längre överlevnad [35]. Dålig CD8 T-cellsinfiltration, låg neoantigenbelastning och en starkt immunhämmande tumörmikromiljö leder till bristande respons på ICI-behandling [36]. Vi fann att riskpoängen var negativt korrelerad med CD8+ T-celler och NK-celler, vilket indikerar att patienter med höga riskpoäng kanske inte är lämpliga för ICI-behandling och har en sämre prognos.
CD161 är en markör för naturliga mördarceller (NK). CD8+CD161+ CAR-transducerade T-celler medierar förbättrad in vivo-antitumöreffekt i HER2+ pankreatisk duktal adenokarcinom xenograftmodeller [37]. Immunkontrollpunktshämmare riktar sig mot cytotoxiska T-lymfocytassocierade protein 4 (CTLA-4) och programmerade celldödsprotein 1 (PD-1)/programmerade celldödsligand 1 (PD-L1) vägar och har stor potential inom många områden. Uttrycket av CTLA-4 och CD161 (KLRB1) är lägre i högriskgrupper, vilket ytterligare indikerar att patienter med högriskpoäng kanske inte är lämpliga för ICI-behandling [38].
För att hitta behandlingsalternativ som är lämpliga för högriskpatienter analyserade vi olika cancerläkemedel och fann att paklitaxel, sorafenib och erlotinib, som används i stor utsträckning hos patienter med pankreatisk duktal adenokarcinom (PAAD), kan vara lämpliga för högriskpatienter med PAAD. [33]. Zhang et al. fann att mutationer i vilken DNA-skaderespons (DDR) som helst kan leda till dålig prognos hos prostatacancerpatienter [39]. POLO-studien (Pancreatic Cancer Olaparib Ongoing) visade att underhållsbehandling med olaparib förlängde progressionsfri överlevnad jämfört med placebo efter första linjens platinabaserad kemoterapi hos patienter med pankreatisk duktal adenokarcinom och BRCA1/2-mutationer i könscellerna [40]. Detta ger betydande optimism om att behandlingsresultaten kommer att förbättras avsevärt i denna undergrupp av patienter. I denna studie var IC50-värdet för AZD.2281 (olaparib) högre i högriskgruppen, vilket indikerar att PAAD-patienter i högriskgruppen kan vara resistenta mot behandling med AZD.2281.
Prognosmodellerna i denna studie ger goda prognosresultat, men de är baserade på analytiska prognoser. Hur man bekräftar dessa resultat med kliniska data är en viktig fråga. Endoskopisk finnålsaspirationsultraljud (EUS-FNA) har blivit en oumbärlig metod för att diagnostisera solida och extrapankreatiska pankreaslesioner med en sensitivitet på 85 % och en specificitet på 98 % [41]. Tillkomsten av EUS finnålsbiopsinålar (EUS-FNB) baseras huvudsakligen på upplevda fördelar jämfört med FNA, såsom högre diagnostisk noggrannhet, att erhålla prover som bevarar histologisk struktur och därmed generera immunvävnad som är avgörande för vissa diagnoser. speciell färgning [42]. En systematisk litteraturgenomgång bekräftade att FNB-nålar (särskilt 22G) uppvisar den högsta effektiviteten vid utvinning av vävnad från pankreasmassor [43]. Kliniskt är endast ett litet antal patienter lämpliga för radikal kirurgi, och de flesta patienter har inoperabla tumörer vid tidpunkten för den första diagnosen. I klinisk praxis är endast en liten andel av patienterna lämpliga för radikal kirurgi eftersom de flesta patienter har inoperabla tumörer vid tidpunkten för den första diagnosen. Efter patologisk bekräftelse med EUS-FNB och andra metoder väljs vanligtvis standardiserad icke-kirurgisk behandling såsom kemoterapi. Vårt efterföljande forskningsprogram är att testa den prognostiska modellen för denna studie i kirurgiska och icke-kirurgiska kohorter genom en retrospektiv analys.
Sammantaget etablerade vår studie en ny prognostisk riskmodell baserad på parat irlncRNA, vilken visade lovande prognostiskt värde hos patienter med bukspottkörtelcancer. Vår prognostiska riskmodell kan hjälpa till att differentiera patienter med PAAD som är lämpliga för medicinsk behandling.
De datamängder som använts och analyserats i den aktuella studien är tillgängliga från motsvarande författare på rimlig begäran.
Sui Wen, Gong X, Zhuang Y. Den medierande rollen av själveffektivitet i emotionell reglering av negativa känslor under COVID-19-pandemin: en tvärsnittsstudie. Int J Ment Health Nurs [tidskriftsartikel]. 2021 06/01/2021;30(3):759–71.
Sui Wen, Gong X, Qiao X, Zhang L, Cheng J, Dong J, et al. Familjemedlemmars syn på alternativt beslutsfattande på intensivvårdsavdelningar: en systematisk granskning. INT J NURS STUD [tidskriftsartikel; recension]. 2023 01/01/2023;137:104391.
Vincent A, Herman J, Schulich R, Hruban RH, Goggins M. Pankreascancer. Lancet. [Tidskriftsartikel; forskningsstöd, NIH, extramural; forskningsstöd, myndigheter utanför USA; översikt]. 2011 08/13/2011;378(9791):607–20.
Ilic M, Ilic I. Epidemiologi för pankreascancer. World Journal of Gastroenterology. [Tidskriftsartikel, recension]. 2016 11/28/2016;22(44):9694–705.
Liu X, Chen B, Chen J, Sun S. Ett nytt tp53-relaterat nomogram för att förutsäga total överlevnad hos patienter med bukspottkörtelcancer. BMC Cancer [tidskriftsartikel]. 2021 31-03-2021;21(1):335.
Xian X, Zhu X, Chen Y, Huang B, Xiang W. Effekt av lösningsfokuserad terapi på cancerrelaterad trötthet hos patienter med kolorektal cancer som får kemoterapi: en randomiserad kontrollerad studie. Cancer nurse. [Tidskriftsartikel; randomiserad kontrollerad studie; studien stöds av en regering utanför USA]. 2022 05/01/2022;45(3):E663–73.
Zhang Cheng, Zheng Wen, Lu Y, Shan L, Xu Dong, Pan Y, et al. Postoperativa karcinoembryonala antigennivåer (CEA) förutsäger resultatet efter resektion av kolorektal cancer hos patienter med normala preoperativa CEA-nivåer. Center for Translational Cancer Research. [Tidskriftsartikel]. 2020 01.01.2020;9(1):111–8.
Hong Wen, Liang Li, Gu Yu, Qi Zi, Qiu Hua, Yang X, et al. Immunrelaterade lncRNA genererar nya signaturer och förutsäger immunlandskapet hos humant hepatocellulärt karcinom. Mol Ther Nucleic acids [Tidskriftsartikel]. 2020 2020-12-04;22:937–47.
Toffey RJ, Zhu Y., Schulich RD Immunterapi för bukspottkörtelcancer: hinder och genombrott. Ann Gastrointestinal Surgeon [Tidskriftsartikel; recension]. 2018 07/01/2018;2(4):274–81.
Hull R, Mbita Z, Dlamini Z. Långa icke-kodande RNA (LncRNA), viral tumörgenomik och avvikande splitsningshändelser: terapeutiska implikationer. AM J CANCER RES [tidskriftsartikel; recension]. 2021 01/20/2021;11(3):866–83.
Wang J, Chen P, Zhang Y, Ding J, Yang Y, Li H. 11-Identifiering av lncRNA-signaturer associerade med prognos för endometriecancer. Vetenskapliga framsteg [tidskriftsartikel]. 2021 2021-01-01;104(1):311977089.
Jiang S, Ren H, Liu S, Lu Z, Xu A, Qin S, et al. Omfattande analys av RNA-bindande proteinprognostiska gener och läkemedelskandidater vid papillärcells-njurcellscancer. pregen. [Tidskriftsartikel]. 2021 01/20/2021;12:627508.
Li X, Chen J, Yu Q, Huang X, Liu Z, Wang X, et al. Egenskaper hos autofagi-relaterat långt icke-kodande RNA förutsäger prognos för bröstcancer. pregen. [Tidskriftsartikel]. 2021 01/20/2021;12:569318.
Zhou M, Zhang Z, Zhao X, Bao S, Cheng L, Sun J. Immunrelaterad sex lncRNA-signatur förbättrar prognosen vid glioblastoma multiforme. MOL Neurobiology. [Tidskriftsartikel]. 2018 01.05.2018;55(5):3684–97.
Wu B, Wang Q, Fei J, Bao Y, Wang X, Song Z, et al. En ny tri-lncRNA-signatur förutsäger överlevnad hos patienter med bukspottkörtelcancer. REPRESENTATIVES OF ONKOL. [Tidskriftsartikel]. 2018 12/01/2018;40(6):3427–37.
Luo C, Lin K, Hu C, Zhu X, Zhu J, Zhu Z. LINC01094 främjar progression av bukspottkörtelcancer genom att reglera LIN28B-uttryck och PI3K/AKT-vägen genom svampad miR-577. Mol Therapeutics – Nukleinsyror. 2021;26:523–35.
Lin J, Zhai X, Zou S, Xu Z, Zhang J, Jiang L, et al. Positiv feedback mellan lncRNA FLVCR1-AS1 och KLF10 kan hämma progression av bukspottkörtelcancer genom PTEN/AKT-vägen. J EXP Clin Cancer Res. 2021;40(1).
Zhou X, Liu X, Zeng X, Wu D, Liu L. Identifiering av tretton gener som förutsäger total överlevnad vid hepatocellulärt karcinom. Biosci Rep [tidskriftsartikel]. 2021 09/04/2021.
Publiceringstid: 22 sep-2023