Bukspottkörtelcancer är en av de dödligaste tumörerna i världen med en dålig prognos.Därför behövs en exakt prediktionsmodell för att identifiera patienter med hög risk för cancer i bukspottkörteln för att skräddarsy behandlingen och förbättra prognosen för dessa patienter.
Vi erhöll RNAseq-data från The Cancer Genome Atlas (TCGA) pankreasadenokarcinom (PAAD) från UCSC Xena-databasen, identifierade immunrelaterade lncRNAs (irlncRNAs) genom korrelationsanalys och identifierade skillnader mellan TCGA och normala pankreasadenokarcinomvävnader.DEirlncRNA) från TCGA och genotypvävnadsuttryck (GTEx) av pankreasvävnad.Ytterligare univariata och lassoregressionsanalyser utfördes för att konstruera prognostiska signaturmodeller.Vi beräknade sedan arean under kurvan och bestämde det optimala gränsvärdet för att identifiera patienter med hög- och lågrisk-adenokarcinom i bukspottkörteln.För att jämföra kliniska egenskaper, immuncellsinfiltration, immunsuppressiv mikromiljö och kemoterapiresistens hos patienter med hög- och lågriskcancer i bukspottkörteln.
Vi identifierade 20 DEirlncRNA-par och grupperade patienter enligt det optimala gränsvärdet.Vi visade att vår prognostiska signaturmodell har betydande prestanda när det gäller 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 överlevnadsfrekvens och sämre kliniska egenskaper.Vi visade också att högriskpatienter är immunsupprimerade och kan utveckla resistens mot immunterapi.Utvärdering av läkemedel mot cancer som paklitaxel, sorafenib och erlotinib baserat på beräkningsverktyg kan vara lämpligt för högriskpatienter med PAAD.
Sammantaget etablerade vår studie en ny prognostisk riskmodell baserad på parat irlncRNA, som visade lovande prognostiskt värde hos patienter med pankreascancer.Vår prognostiska riskmodell kan hjälpa till att skilja patienter med PAAD som är lämpliga för medicinsk behandling.
Bukspottkörtelcancer är en malign tumör med låg femårsöverlevnad och hög grad.Vid tidpunkten för diagnosen är de flesta patienter redan i avancerade stadier.I samband med covid-19-epidemin är läkare och sjuksköterskor under enorm press när de behandlar patienter med bukspottkörtelcancer, och patienternas familjer möter också flera pressar när de fattar behandlingsbeslut [1, 2].Även om stora framsteg har gjorts i behandlingen av DOAD, såsom neoadjuvant terapi, kirurgisk resektion, strålbehandling, kemoterapi, riktad molekylär terapi och immunkontrollpunktshämmare (ICIs), överlever endast cirka 9 % av patienterna fem år efter diagnosen [3 ].], 4].Eftersom de tidiga symtomen på adenokarcinom i bukspottkörteln är atypiska, diagnostiseras patienter vanligtvis med metastaser i ett framskridet stadium [5].Därför måste individualiserad 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 noggrant bedöma en patients prognos [7].Således kan lämplig behandling väljas för att balansera överlevnaden och livskvaliteten för patienter med PAAD.
Den dåliga prognosen för PAAD beror främst på resistens mot kemoterapiläkemedel.Under de senaste åren har immunkontrollpunktshämmare använts i stor utsträckning vid behandling av solida tumörer [8].Men användningen av ICI vid pankreascancer är sällan framgångsrik [9].Därför är det viktigt att identifiera patienter som kan ha nytta av ICI-terapi.
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 arbete har visat att lncRNA-baserade prognosmodeller effektivt kan förutsäga patientprognos [11, 12].Till exempel identifierades 18 autofagi-relaterade lncRNA för att generera prognostiska signaturer vid 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 i pankreasadenokarcinom med ett område under ROC-kurvan (AUC) på endast 0,742 och en total överlevnad (OS) på 3 år [15].Dessutom varierar lncRNA-uttrycksvärden mellan olika genom, olika dataformat och olika patienter, och prestandan för 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 klinisk pankreascancer TCGA och genotypvävnadsuttryck (GTEx) data 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-expressionsprofiler från RNAseq.Vi laddade ner immunitetsrelaterade gener från ImmPort-databasen (http://www.immport.org) och identifierade immunitetsrelaterade lncRNAs (irlncRNAs) 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].Specifikt konstruerar vi X för att ersätta det parade lncRNA A och lncRNA B. När expressionsvärdet för lncRNA A är högre än expressionsvärdet för lncRNA B, definieras X som 1, annars definieras X som 0. Därför kan vi erhålla 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 av varje DEirlncRNA-par översteg 100 gånger i 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 plottades 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 prognostiska riskmodellens oberoende prediktiva prestanda.
Använd sju verktyg för att studera immuncellsinfiltrationshastigheter, inklusive XCELL, TIMER, QUANTISEQ, MCPCOUNTER, EPIC, CIBERSORT-ABS och CIBERSORT.Immuncellsinfiltrationsdata 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 Wilcoxon signed-rank test, resultaten visas i den kvadratiska grafen.Spearman-korrelationsanalys utfördes för att analysera sambandet mellan riskpoängvärden och immuninfiltrerande celler.Den resulterande korrelationskoefficienten visas som en klubba.Signifikanströskeln sattes till p < 0,05.Proceduren utfördes med användning av R-paketet ggplot2.För att undersöka förhållandet mellan modellen och genuttrycksnivåerna associerade med immuncellsinfiltrationshastigheten, utförde vi ggstatsplot-paketet och visualisering av violinplot.
För att utvärdera kliniska behandlingsmönster för cancer i bukspottkörteln, beräknade vi IC50 för vanliga kemoterapiläkemedel i TCGA-PAAD-kohorten.Skillnader i halva hämmande koncentrationer (IC50) mellan hög- och lågriskgrupper jämfördes med Wilcoxon 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 724 irlncRNA med p < 0,01 och r > 0,4.Vi analyserade därefter de differentiellt uttryckta lncRNA:erna för GEPIA2 (Figur 2A).Totalt 223 irlncRNA uttrycktes differentiellt mellan pankreasadenokarcinom och normal pankreatisk vävnad (|logFC| > 1, FDR < 0,05), benämnda DEirlncRNA.
Konstruktion av prediktiva riskmodeller.(A) Vulkanplot av differentiellt uttryckta lncRNA.(B) Fördelning av lassokoefficienter för 20 DEirlncRNA-par.(C) Partiell sannolikhetsvariation av LASSO-koefficientfördelningen.(D) Skogstomt 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 lassoregressionsanalys testades slutligen 20 DEirlncRNA-par för att konstruera en prognostisk riskmodell (Figur 2B-D).Baserat på resultaten av Lasso och multipel regressionsanalys, beräknade vi ett riskpoäng för varje patient i TCGA-PAAD-kohorten (tabell 1).Baserat på resultaten av lassoregressionsanalys beräknade vi ett riskpoäng för varje patient i TCGA-PAAD-kohorten.AUC för ROC-kurvan var 0,905 för 1-års riskmodellförutsägelse, 0,942 för 2-års förutsägelse och 0,966 för 3-års förutsägelse (Figur 3A-B).Vi satte ett optimalt gränsvärde på 3,105, stratifierade TCGA-PAAD-kohortpatienterna i hög- och lågriskgrupper och plottade överlevnadsresultat 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).
Validiteten av prognostiska riskmodeller.(A) ROC av den prognostiska riskmodellen.(B) 1-, 2- och 3-åriga ROC prognostiska riskmodeller.(C) ROC av prognostisk riskmodell.Visar den optimala brytpunkten.(DE) Fördelning av överlevnadsstatus (D) och riskpoäng (E).(F) Kaplan-Meier analys av PAAD-patienter i hög- och lågriskgrupper.
Vi bedömde vidare skillnader i riskpoäng efter kliniska egenskaper.Stripplotten (Figur 4A) visar det övergripande sambandet mellan kliniska egenskaper och riskpoäng.I synnerhet äldre patienter hade högre riskpoäng (Figur 4B).Dessutom hade patienter med stadium II högre riskpoäng än patienter med stadium I (Figur 4C).När det gäller tumörgraden hos PAAD-patienter hade patienter i grad 3 högre riskpoäng än patienter i 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 för 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) Univariat (A) och multivariat (B) regressionsanalys 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 riskpoäng 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 var mindre infiltration av CD8+ T-celler och NK-celler i högriskgruppen.Under de senaste åren har immunkontrollpunktshämmare (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 gener för immunkontroll i hög- och lågriskgrupper.Vi fann att CTLA-4 och CD161 (KLRB1) överuttrycktes 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 läkemedel mot cancer 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 vanliga läkemedel mot cancer i 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 läkemedel mot cancer med högre IC50-värden i högriskgruppen och 34 läkemedel mot cancer med lägre IC50-värden i högriskgruppen (tabell 2).
Det kan inte förnekas att lncRNA, mRNA och miRNA finns i stor utsträckning och spelar en avgörande roll i cancerutveckling.Det finns gott om bevis som stöder den viktiga rollen för mRNA eller miRNA för att förutsäga överlevnad i flera typer av cancer.Utan tvekan är många prognostiska riskmodeller också baserade på lncRNA.Till exempel, Luo et al.Studier har visat att LINC01094 spelar en nyckelroll i PC-proliferation och metastaser, och högt uttryck av LINC01094 indikerar dålig överlevnad för patienter med pankreascancer [16].Studien presenterad av Lin et al.Studier har visat att nedreglering av lncRNA FLVCR1-AS1 är associerad med dålig prognos hos patienter med pankreascancer [17].Emellertid diskuteras immunitetsrelaterade lncRNA relativt sett mindre när det gäller att förutsäga cancerpatienters totala överlevnad.På senare tid har ett stort arbete fokuserats på att bygga prognostiska riskmodeller för att förutsäga cancerpatienters överlevnad och därigenom justera behandlingsmetoder [18, 19, 20].Det finns ett växande erkännande av den viktiga roll som immuninfiltrat spelar i cancerinitiering, progression och svar på behandlingar som kemoterapi.Många studier har bekräftat att tumörinfiltrerande immunceller spelar en avgörande roll i svaret på cytotoxisk kemoterapi [21, 22, 23].Tumörens immunmikromiljö är en viktig faktor för tumörpatienters överlevnad [24, 25].Immunterapi, särskilt ICI-terapi, används i stor utsträckning vid behandling av solida tumörer [26].Immunrelaterade gener används i stor utsträckning för att konstruera prognostiska riskmodeller.Till exempel har Su et al.Den immunrelaterade prognostiska riskmodellen är baserad på proteinkodande gener för att förutsäga prognosen för äggstockscancerpatienter [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 identifierades 32 differentiellt uttryckta transkript, och utifrån detta etablerades en prediktionsmodell med 5 signifikanta transkript, vilken föreslogs som ett starkt rekommenderat verktyg för att förutsäga biopsibevisad akut avstötning efter njurtransplantation [32].
De flesta av dessa modeller är baserade på genuttrycksnivåer, antingen proteinkodande gener eller icke-kodande gener.Men samma gen kan ha olika uttrycksvärden i olika genom, dataformat och i 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 lassoregressionsanalyser 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 skilja 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 tumörundertryckande 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 mycket immunsuppressiv tumörmikromiljö leder till bristande svar på ICI-terapi [36].Vi fann att riskpoäng 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 förmedlar förbättrad in vivo antitumöreffektivitet i HER2+ pankreatiska duktala adenokarcinom xenograftmodeller [37].Immunkontrollpunktshämmare riktar sig mot cytotoxiska T-lymfocytassocierade protein 4 (CTLA-4) och programmerad celldödsprotein 1 (PD-1)/programmerad 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 kvalificerade för ICI-behandling.[38]
För att hitta behandlingsalternativ som är lämpliga för högriskpatienter analyserade vi olika anticancerläkemedel och fann att paklitaxel, sorafenib och erlotinib, som används flitigt hos patienter med PAAD, kan vara lämpliga för högriskpatienter med PAAD.[33].Zhang et al fann att mutationer i vilken DNA-skaderespons (DDR)-väg som helst kan leda till dålig prognos hos prostatacancerpatienter [39].Pancreatic Cancer Olaparib Ongoing (POLO)-studien visade att underhållsbehandling med olaparib förlängde progressionsfri överlevnad jämfört med placebo efter första linjens platinabaserad kemoterapi hos patienter med pankreatisk duktal adenokarcinom och germline BRCA1/2-mutationer [40].Detta ger en betydande optimism om att behandlingsresultat kommer att förbättras avsevärt i denna undergrupp av patienter.I denna studie var IC50-värdet för AZD.2281 (olaparib) högre i högriskgruppen, vilket tyder på 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 specificitet på 98 % [41].Tillkomsten av EUS finnålsbiopsi (EUS-FNB) nålar är huvudsakligen baserad på upplevda fördelar jämfört med FNA, såsom högre diagnostisk noggrannhet, erhållande av prover som bevarar histologisk struktur och därmed generering av immunvävnad som är avgörande för vissa diagnoser.specialfärgning [42].En systematisk genomgång av litteraturen bekräftade att FNB-nålar (särskilt 22G) visar den högsta effektiviteten i att skörda vävnad från pankreasmassor [43].Kliniskt är endast ett litet antal patienter kvalificerade för radikal kirurgi, och de flesta patienter har inoperabla tumörer vid tidpunkten för den första diagnosen.I klinisk praxis är endast en liten del av patienterna lämpliga för radikal kirurgi eftersom de flesta patienter har inoperabla tumörer vid tidpunkten för initial diagnos.Efter patologisk bekräftelse av 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, som visade lovande prognostiskt värde hos patienter med pankreascancer.Vår prognostiska riskmodell kan hjälpa till att skilja patienter med PAAD som är lämpliga för medicinsk behandling.
Datauppsättningarna som används och analyseras i den aktuella studien är tillgängliga från motsvarande författare på rimlig begäran.
Sui Wen, Gong X, Zhuang Y. Self-efficacys förmedlande roll 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 översyn.INT J NURS STUD [tidningsartikel;recension].2023 01/01/2023;137:104391.
Vincent A, Herman J, Schulich R, Hruban RH, Goggins M. Pankreascancer.Lansett.[Tidskriftsartikel;forskningsstöd, NIH, extramural;forskningsstöd, regering utanför USA;recension].2011 08/13/2011;378(9791):607–20.
Ilic M, Ilic I. Epidemiologi av pankreascancer.World Journal of Gastroenterology.[Tidskriftsartikel, recension].2016 2016-11-28;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 pankreascancer.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 kolorektalcancerpatienter som får kemoterapi: en randomiserad kontrollerad studie.Cancer sjuksköterska.[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 kolorektal cancerresektion hos patienter med normala preoperativa CEA-nivåer.Centrum för translationell cancerforskning.[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 för humant hepatocellulärt karcinom.Mol Ther Nucleic acids [Tidskriftsartikel].2020 2020-12-04;22:937 – 47.
Toffey RJ, Zhu Y., Schulich RD Immunterapi för pankreascancer: barriärer 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 2021-01-20;11(3):866–83.
Wang J, Chen P, Zhang Y, Ding J, Yang Y, Li H. 11-Identifiering av lncRNA-signaturer associerade med endometriecancerprognos.Vetenskapens prestationer [tidningsartikel].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 protein prognostiska gener och läkemedelskandidater i papillär cell njurcellscancer.pregen.[Tidskriftsartikel].2021 2021-01-20;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 bröstcancerprognos.pregen.[Tidskriftsartikel].2021 2021-01-20;12:569318.
Zhou M, Zhang Z, Zhao X, Bao S, Cheng L, Sun J. Immunrelaterad sex lncRNA-signatur förbättrar prognosen vid glioblastoma multiforme.MOL Neurobiologi.[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 för patienter med cancer i bukspottkörteln.REPRESENTANTER FÖR ONKOL.[Tidskriftsartikel].2018 12/01/2018;40(6):3427–37.
Luo C, Lin K, Hu C, Zhu X, Zhu J, Zhu Z. LINC01094 främjar bukspottkörtelcancerprogression 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 pankreascancerprogression 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 i hepatocellulärt karcinom.Biosci Rep [tidskriftsartikel].2021 04/09/2021.
Posttid: 2023-09-22