Ракът на панкреаса е един от най-смъртоносните тумори в света с лоша прогноза. Следователно е необходим точен модел за прогнозиране, за да се идентифицират пациенти с висок риск от рак на панкреаса, за да се адаптира лечението и да се подобри прогнозата на тези пациенти.
Получихме данни от RNAseq на панкреатичния аденокарцином (PAAD) от TCGA (The Cancer Genome Atlas) от базата данни Xena на UCSC, идентифицирахме имунно-свързани lncRNA (irlncRNA) чрез корелационен анализ и идентифицирахме разлики между TCGA и нормални тъкани на панкреатичен аденокарцином. DEirlncRNA) от TCGA и генотипна тъканна експресия (GTEx) на панкреатична тъкан. Бяха извършени допълнителни еднофакторни и ласо регресионни анализи за конструиране на прогностични сигнатурни модели. След това изчислихме площта под кривата и определихме оптималната гранична стойност за идентифициране на пациенти с панкреатичен аденокарцином с висок и нисък риск. Целта беше да сравним клиничните характеристики, имунноклетъчната инфилтрация, имуносупресивната микросреда и резистентността към химиотерапия при пациенти с рак на панкреаса с висок и нисък риск.
Идентифицирахме 20 DEirlncRNA двойки и групирахме пациентите според оптималната гранична стойност. Демонстрирахме, че нашият прогностичен сигнатурен модел има значителни резултати при предсказване на прогнозата на пациенти с PAAD. AUC на ROC кривата е 0,905 за 1-годишната прогноза, 0,942 за 2-годишната прогноза и 0,966 за 3-годишната прогноза. Пациентите с висок риск имаха по-ниски нива на преживяемост и по-лоши клинични характеристики. Също така демонстрирахме, че пациентите с висок риск са имуносупресирани и могат да развият резистентност към имунотерапия. Оценката на противоракови лекарства като паклитаксел, сорафениб и ерлотиниб, базирана на изчислителни инструменти за прогнозиране, може да бъде подходяща за пациенти с висок риск с PAAD.
Като цяло, нашето проучване установи нов прогностичен модел на риска, базиран на сдвоена irlncRNA, който показа обещаваща прогностична стойност при пациенти с рак на панкреаса. Нашият прогностичен модел на риска може да помогне за диференциране на пациенти с PAAD, които са подходящи за медикаментозно лечение.
Ракът на панкреаса е злокачествен тумор с ниска петгодишна преживяемост и висок клас. Към момента на поставяне на диагнозата повечето пациенти вече са в напреднал стадий. В контекста на епидемията от COVID-19 лекарите и медицинските сестри са под огромен натиск при лечението на пациенти с рак на панкреаса, а семействата на пациентите също са изправени пред множество напрежения при вземането на решения за лечение [1, 2]. Въпреки че е постигнат голям напредък в лечението на DOADs, като неоадювантна терапия, хирургична резекция, лъчетерапия, химиотерапия, таргетна молекулярна терапия и имунни контролни инхибитори (ICIs), само около 9% от пациентите оцеляват пет години след поставянето на диагнозата [3]. ], 4]. Тъй като ранните симптоми на панкреатичен аденокарцином са нетипични, пациентите обикновено се диагностицират с метастази в напреднал стадий [5]. Следователно, за даден пациент, индивидуализираното цялостно лечение трябва да прецени предимствата и недостатъците на всички възможности за лечение, не само за удължаване на преживяемостта, но и за подобряване на качеството на живот [6]. Следователно е необходим ефективен модел за прогнозиране, за да се оцени точно прогнозата на пациента [7]. По този начин може да се избере подходящо лечение, за да се балансира преживяемостта и качеството на живот на пациентите с PAAD.
Лошата прогноза на PAAD се дължи главно на резистентност към химиотерапевтични лекарства. През последните години, имунните контролни инхибитори се използват широко при лечението на солидни тумори [8]. Въпреки това, използването на ICI при рак на панкреаса рядко е успешно [9]. Следователно е важно да се идентифицират пациенти, които могат да се възползват от ICI терапия.
Дългата некодираща РНК (lncRNA) е вид некодираща РНК с транскрипти >200 нуклеотида. LncRNA са широко разпространени и съставляват около 80% от човешкия транскриптом [10]. Голям обем от изследвания показва, че прогностичните модели, базирани на lncRNA, могат ефективно да предскажат прогнозата на пациента [11, 12]. Например, идентифицирани са 18 lncRNA, свързани с автофагия, които генерират прогностични сигнатури при рак на гърдата [13]. Шест други имунно-свързани lncRNA са използвани за установяване на прогностичните характеристики на глиома [14].
При рак на панкреаса, някои проучвания са установили сигнатури, базирани на lncRNA, за да предскажат прогнозата на пациента. 3-lncRNA сигнатура е установена при панкреатичен аденокарцином с площ под ROC кривата (AUC) само 0,742 и обща преживяемост (OS) от 3 години [15]. Освен това, стойностите на експресията на lncRNA варират между различните геноми, различните формати на данни и различните пациенти, а производителността на предсказващия модел е нестабилна. Следователно, ние използваме нов алгоритъм за моделиране, сдвояване и итерация, за да генерираме сигнатури, свързани с имунитета, lncRNA (irlncRNA), за да създадем по-точен и стабилен предсказващ модел [8].
Нормализирани RNAseq данни (FPKM) и клинични данни за TCGA и тъканна експресия на генотип (GTEx) при рак на панкреаса бяха получени от базата данни UCSC XENA (https://xenabrowser.net/datapages/). GTF файловете бяха получени от базата данни Ensembl (http://asia.ensembl.org) и използвани за извличане на профили на експресия на lncRNA от RNAseq. Изтеглихме гени, свързани с имунитета, от базата данни ImmPort (http://www.immport.org) и идентифицирахме свързани с имунитета lncRNA (irlncRNAs), използвайки корелационен анализ (p < 0.001, r > 0.4). Идентифициране на диференциално експресирани irlncRNAs (DEirlncRNAs) чрез кръстосване на irlncRNAs и диференциално експресирани lncRNAs, получени от базата данни GEPIA2 (http://gepia2.cancer-pku.cn/#index) в кохортата TCGA-PAAD (|logFC| > 1 и FDR) <0.05).
Този метод е бил описан по-рано [8]. По-конкретно, ние конструираме X, за да заместим сдвоените lncRNA A и lncRNA B. Когато стойността на експресия на lncRNA A е по-висока от стойността на експресия на lncRNA B, X се определя като 1, в противен случай X се определя като 0. Следователно, можем да получим матрица от 0 или –1. Вертикалната ос на матрицата представлява всяка проба, а хоризонталната ос представлява всяка двойка DEirlncRNA със стойност 0 или 1.
За скрининг на прогностичните DEirlncRNA двойки беше използван едновариантен регресионен анализ, последван от ласо регресия. Ласо регресионният анализ използва 10-кратна кръстосана валидация, повторена 1000 пъти (p < 0,05), с 1000 случайни стимула на цикъл. Когато честотата на всяка DEirlncRNA двойка надвиши 100 пъти в 1000 цикъла, DEirlncRNA двойки бяха избрани за конструиране на прогностичен модел на риска. След това използвахме AUC кривата, за да намерим оптималната гранична стойност за класифициране на пациенти с PAAD във високо- и нискорискови групи. AUC стойността на всеки модел също беше изчислена и нанесена като крива. Ако кривата достигне най-високата точка, показваща максималната AUC стойност, процесът на изчисление спира и моделът се счита за най-добрия кандидат. Конструирани са 1-, 3- и 5-годишни ROC криви модели. Използвани са едновариантен и многовариантен регресионен анализ, за да се изследва независимата предсказваща ефективност на прогностичния модел на риска.
Използвани са седем инструмента за изследване на скоростта на инфилтрация на имунните клетки, включително XCELL, TIMER, QUANTISEQ, MCPCOUNTER, EPIC, CIBERSORT-ABS и CIBERSORT. Данните за инфилтрация на имунните клетки са изтеглени от базата данни TIMER2 (http://timer.comp-genomics.org/#tab-5817-3). Разликата в съдържанието на имуноинфилтриращи клетки между групите с висок и нисък риск на конструирания модел е анализирана с помощта на теста на Wilcoxon със знакови рангове, резултатите са показани в квадратната графика. Извършен е корелационен анализ на Spearman, за да се анализира връзката между стойностите на рисковия рейтинг и имуноинфилтриращите клетки. Полученият коефициент на корелация е показан като близалка. Прагът на значимост е зададен на p < 0,05. Процедурата е извършена с помощта на R пакета ggplot2. За да изследваме връзката между модела и нивата на генна експресия, свързани със скоростта на инфилтрация на имунните клетки, използвахме пакета ggstatsplot и визуализацията с violin plot.
За да оценим клиничните модели на лечение на рак на панкреаса, изчислихме IC50 на често използваните химиотерапевтични лекарства в кохортата TCGA-PAAD. Разликите в полуинхибиращите концентрации (IC50) между групите с висок и нисък риск бяха сравнени с помощта на теста на Wilcoxon със знакови рангове, а резултатите са показани като кутийкови диаграми, генерирани с помощта на pRRophetic и ggplot2 в R. Всички методи отговарят на съответните насоки и норми.
Работният процес на нашето проучване е показан на Фигура 1. Използвайки корелационен анализ между lncRNA и гени, свързани с имунитета, ние избрахме 724 irlncRNA с p < 0,01 и r > 0,4. След това анализирахме диференциално експресираните lncRNA на GEPIA2 (Фигура 2А). Общо 223 irlncRNA бяха диференциално експресирани между панкреатичен аденокарцином и нормална панкреатична тъкан (|logFC| > 1, FDR < 0,05), наречени DEirlncRNA.
Конструиране на предсказващи модели на риск. (A) Вулканична диаграма на диференциално експресирани lncRNA. (B) Разпределение на ласо коефициентите за 20 DEirlncRNA двойки. (C) Частична дисперсия на правдоподобието на разпределението на LASSO коефициента. (D) Горска диаграма, показваща еднофакторен регресионен анализ на 20 DEirlncRNA двойки.
След това конструирахме матрица 0 или 1, като сдвоихме 223 DEirlncRNA. Бяха идентифицирани общо 13 687 двойки DEirlncRNA. След еднофакторен и ласо регресионен анализ, 20 двойки DEirlncRNA бяха тествани, за да се конструира прогностичен модел на риска (Фигура 2B-D). Въз основа на резултатите от ласо и множествения регресионен анализ, изчислихме рисковия резултат за всеки пациент в кохортата TCGA-PAAD (Таблица 1). Въз основа на резултатите от ласо регресионния анализ, изчислихме рисковия резултат за всеки пациент в кохортата TCGA-PAAD. AUC на ROC кривата беше 0,905 за прогнозата на 1-годишния модел на риска, 0,942 за 2-годишната прогноза и 0,966 за 3-годишната прогноза (Фигура 3A-B). Определихме оптимална гранична стойност от 3,105, стратифицирахме пациентите от кохортата TCGA-PAAD в групи с висок и нисък риск и начертахме графики на резултатите от преживяемостта и разпределението на рисковите показатели за всеки пациент (Фигура 3C-E). Анализът на Kaplan-Meier показа, че преживяемостта на пациентите с PAAD във високорисковата група е значително по-ниска от тази на пациентите в нискорисковата група (p < 0,001) (Фигура 3F).
Валидност на прогностичните модели за риск. (A) ROC критерий на прогностичния модел за риск. (B) 1-, 2- и 3-годишни ROC прогностични модели за риск. (C) ROC критерий на прогностичния модел за риск. Показва оптималната гранична точка. (DE) Разпределение на статуса на преживяемост (D) и рисковите оценки (E). (F) Каплан-Майер анализ на пациенти с PAAD във високо- и нискорискови групи.
Допълнително оценихме разликите в рисковите оценки по клинични характеристики. Диаграмата на лентите (Фигура 4А) показва общата връзка между клиничните характеристики и рисковите оценки. По-специално, по-възрастните пациенти имаха по-високи рискови оценки (Фигура 4B). Освен това, пациентите със стадий II имаха по-високи рискови оценки от пациентите със стадий I (Фигура 4C). По отношение на степента на тумора при пациенти с PAAD, пациентите със степен 3 имаха по-високи рискови оценки от пациентите със степен 1 и 2 (Фигура 4D). Освен това извършихме еднофакторен и многофакторен регресионен анализ и показахме, че рисковата оценка (p < 0,001) и възрастта (p = 0,045) са независими прогностични фактори при пациенти с PAAD (Фигура 5A-B). ROC кривата показа, че рисковата оценка е по-добра от другите клинични характеристики при прогнозиране на 1-, 2- и 3-годишна преживяемост на пациенти с PAAD (Фигура 5C-E).
Клинични характеристики на прогностичните рискови модели. Хистограма (A) показва (B) възраст, (C) стадий на тумора, (D) степен на тумора, рисков скор и пол на пациентите в кохортата TCGA-PAAD. **p < 0,01
Независим прогнозен анализ на прогностични рискови модели. (AB) Унивариатен (A) и многовариатен (B) регресионен анализ на прогностични рискови модели и клинични характеристики. (CE) 1-, 2- и 3-годишен ROC за прогностични рискови модели и клинични характеристики
Следователно, ние изследвахме връзката между времето и рисковите оценки. Установихме, че рисковата оценка при пациенти с PAAD е обратнопропорционална на CD8+ Т-клетките и NK-клетките (Фигура 6А), което показва потисната имунна функция във високорисковата група. Също така оценихме разликата в инфилтрацията на имунните клетки между високорисковите и нискорисковите групи и открихме същите резултати (Фигура 7). Имаше по-малка инфилтрация на CD8+ Т-клетки и NK-клетки във високорисковата група. През последните години имунните контролни инхибитори (ICI) се използват широко при лечението на солидни тумори. Въпреки това, използването на ICI при рак на панкреаса рядко е било успешно. Следователно, ние оценихме експресията на имунните контролни гени във високорискови и нискорискови групи. Установихме, че CTLA-4 и CD161 (KLRB1) са свръхекспресирани в нискорисковата група (Фигура 6B-G), което показва, че пациентите с PAAD в нискорисковата група може да са чувствителни към ICI.
Корелационен анализ на прогностичния рисков модел и имунноклетъчната инфилтрация. (A) Корелация между прогностичния рисков модел и имунноклетъчната инфилтрация. (BG) Показва генната експресия във високорискови и нискорискови групи. (HK) IC50 стойности за специфични противоракови лекарства във високорискови и нискорискови групи. *p < 0,05, **p < 0,01, ns = незначително
Допълнително оценихме връзката между рисковите оценки и често използваните химиотерапевтични средства в кохортата TCGA-PAAD. Търсихме често използвани противоракови лекарства при рак на панкреаса и анализирахме разликите в техните IC50 стойности между групите с висок и нисък риск. Резултатите показаха, че IC50 стойността на AZD.2281 (олапариб) е по-висока във високорисковата група, което показва, че пациентите с PAAD във високорисковата група може да са резистентни към лечение с AZD.2281 (Фигура 6H). Освен това, IC50 стойностите на паклитаксел, сорафениб и ерлотиниб бяха по-ниски във високорисковата група (Фигура 6I-K). Освен това идентифицирахме 34 противоракови лекарства с по-високи IC50 стойности във високорисковата група и 34 противоракови лекарства с по-ниски IC50 стойности във високорисковата група (Таблица 2).
Не може да се отрече, че lncRNA, mRNA и miRNA съществуват широко и играят решаваща роля в развитието на рака. Има достатъчно доказателства, подкрепящи важната роля на mRNA или miRNA в предсказването на общата преживяемост при няколко вида рак. Несъмнено много прогностични модели на риск също се основават на lncRNA. Например, проучванията на Luo et al. показват, че LINC01094 играе ключова роля в пролиферацията и метастазите на раковите клетки (PC), а високата експресия на LINC01094 показва лоша преживяемост при пациенти с рак на панкреаса [16]. Проучването, представено от Lin et al., показва, че понижената регулация на lncRNA FLVCR1-AS1 е свързана с лоша прогноза при пациенти с рак на панкреаса [17]. Въпреки това, свързаните с имунитета lncRNA са сравнително по-малко обсъждани по отношение на предсказването на общата преживяемост на пациенти с рак. Напоследък голяма част от работата е фокусирана върху изграждането на прогностични модели на риск за предсказване на преживяемостта на пациенти с рак и по този начин за коригиране на методите на лечение [18, 19, 20]. Нараства признанието за важната роля на имунните инфилтрати в началото, прогресията и отговора на рака към лечения като химиотерапия. Многобройни проучвания потвърждават, че тумор-инфилтриращите имунни клетки играят критична роля в отговора на цитотоксична химиотерапия [21, 22, 23]. Туморната имунна микросреда е важен фактор за оцеляването на пациенти с тумори [24, 25]. Имунотерапията, особено ICI терапията, се използва широко при лечението на солидни тумори [26]. Имуносвързаните гени се използват широко за конструиране на прогностични модели на риск. Например, Su et al. Имуносвързаният прогностичен модел на риск се основава на протеин-кодиращи гени за прогнозиране на прогнозата на пациенти с рак на яйчниците [27]. Некодиращи гени като lncRNA също са подходящи за конструиране на прогностични модели на риск [28, 29, 30]. Luo et al. тестваха четири имуносвързани lncRNA и изградиха предсказващ модел за риск от рак на маточната шийка [31]. Khan et al. Идентифицирани са общо 32 диференциално експресирани транскрипта и въз основа на това е създаден предсказващ модел с 5 значими транскрипта, който е предложен като силно препоръчителен инструмент за прогнозиране на доказано чрез биопсия остро отхвърляне след бъбречна трансплантация [32].
Повечето от тези модели са базирани на нивата на генна експресия, било то гени, кодиращи протеини, или некодиращи гени. Един и същ ген обаче може да има различни стойности на експресия в различни геноми, формати на данни и при различни пациенти, което води до нестабилни оценки в предсказващите модели. В това проучване ние изградихме разумен модел с два чифта lncRNA, независимо от точните стойности на експресия.
В това проучване идентифицирахме irlncRNA за първи път чрез корелационен анализ с гени, свързани с имунитета. Скринирахме 223 DEirlncRNA чрез хибридизация с диференциално експресирани lncRNA. Второ, конструирахме 0-или-1 матрица, базирана на публикувания метод за сдвояване на DEirlncRNA [31]. След това извършихме едновариатен и ласо регресионен анализ, за да идентифицираме прогностични DEirlncRNA двойки и да конструираме предсказващ модел на риска. Допълнително анализирахме връзката между рисковите оценки и клиничните характеристики при пациенти с PAAD. Установихме, че нашият прогностичен модел на риска, като независим прогностичен фактор при пациенти с PAAD, може ефективно да диференцира пациенти с висок клас от пациенти с нисък клас и пациенти с висок клас от пациенти с нисък клас. Освен това, стойностите на AUC на ROC кривата на прогностичния модел на риска бяха 0,905 за 1-годишната прогноза, 0,942 за 2-годишната прогноза и 0,966 за 3-годишната прогноза.
Изследователите съобщават, че пациенти с по-висока инфилтрация на CD8+ Т-клетки са по-чувствителни към лечение с ICI [33]. Увеличаването на съдържанието на цитотоксични клетки, CD56 NK клетки, NK клетки и CD8+ Т-клетки в туморната имунна микросреда може да е една от причините за туморно-супресивния ефект [34]. Предишни проучвания показват, че по-високите нива на тумор-инфилтриращи CD4(+) T и CD8(+) T са значително свързани с по-дълга преживяемост [35]. Слабата инфилтрация на CD8 Т-клетки, ниското неоантигенно натоварване и силно имуносупресивната туморна микросреда водят до липса на отговор към ICI терапия [36]. Установихме, че рисковият резултат е отрицателно корелиран с CD8+ Т-клетките и NK-клетките, което показва, че пациентите с висок рисков резултат може да не са подходящи за лечение с ICI и да имат по-лоша прогноза.
CD161 е маркер на естествени клетки убийци (NK). CD8+CD161+ CAR-трансдуцираните Т-клетки медиират повишена in vivo противотуморна ефикасност при ксенотрансплантационни модели на HER2+ панкреатичен дуктален аденокарцином [37]. Инхибиторите на имунните контролни точки са насочени към пътищата на цитотоксичния Т-лимфоцитен асоцииран протеин 4 (CTLA-4) и програмирания протеин на клетъчната смърт 1 (PD-1)/програмирания лиганд на клетъчната смърт 1 (PD-L1) и имат голям потенциал в много области. Експресията на CTLA-4 и CD161 (KLRB1) е по-ниска във високорисковите групи, което допълнително показва, че пациентите с висок риск може да не отговарят на условията за лечение с ICI. [38]
За да намерим подходящи варианти за лечение за пациенти с висок риск, анализирахме различни противоракови лекарства и установихме, че паклитаксел, сорафениб и ерлотиниб, които се използват широко при пациенти с PAAD, могат да бъдат подходящи за пациенти с висок риск с PAAD. [33]. Zhang et al. установиха, че мутациите във всеки път на реакция на увреждане на ДНК (DDR) могат да доведат до лоша прогноза при пациенти с рак на простатата [39]. Проучването Pancreatic Cancer Olaparib Ongoing (POLO) показа, че поддържащото лечение с олапариб удължава преживяемостта без прогресия в сравнение с плацебо след първа линия химиотерапия на базата на платина при пациенти с панкреатичен дуктален аденокарцином и мутации в герминативната линия BRCA1/2 [40]. Това дава значителен оптимизъм, че резултатите от лечението ще се подобрят значително в тази подгрупа пациенти. В това проучване стойността на IC50 на AZD.2281 (олапариб) е по-висока във високорисковата група, което показва, че пациентите с PAAD във високорисковата група може да са резистентни на лечение с AZD.2281.
Моделите за прогнозиране в това проучване дават добри резултати от прогнозирането, но те се основават на аналитични прогнози. Как да се потвърдят тези резултати с клинични данни е важен въпрос. Ендоскопската ултразвукова биопсия с тънка игла (EUS-FNA) се превърна в незаменим метод за диагностициране на солидни и екстрапанкреатични панкреатични лезии с чувствителност от 85% и специфичност от 98% [41]. Появата на иглите за фина биопсия с ендоскопска ултразвукова биопсия (EUS-FNB) се основава главно на възприеманите предимства пред FNA, като по-висока диагностична точност, получаване на проби, които запазват хистологичната структура, и по този начин генериране на имунна тъкан, която е критична за определени диагнози със специално оцветяване [42]. Систематичен преглед на литературата потвърди, че иглите за FNB (особено 22G) демонстрират най-висока ефективност при събиране на тъкан от панкреатични маси [43]. Клинично само малък брой пациенти са подходящи за радикална хирургия и повечето пациенти имат неоперабилни тумори по време на първоначалната диагноза. В клиничната практика само малка част от пациентите са подходящи за радикална хирургия, тъй като повечето пациенти имат неоперабилни тумори по време на първоначалната диагноза. След патологично потвърждение чрез EUS-FNB и други методи, обикновено се избира стандартизирано нехирургично лечение, като химиотерапия. Нашата последваща изследователска програма е да тества прогностичния модел на това проучване в хирургични и нехирургични кохорти чрез ретроспективен анализ.
Като цяло, нашето проучване установи нов прогностичен модел на риска, базиран на сдвоена irlncRNA, който показа обещаваща прогностична стойност при пациенти с рак на панкреаса. Нашият прогностичен модел на риска може да помогне за диференциране на пациенти с PAAD, които са подходящи за медикаментозно лечение.
Използваните и анализирани в настоящото проучване набори от данни са достъпни от съответния автор при разумно искане.
Суй Уен, Гонг Х, Джуанг Й. Медииращата роля на самоефикасността в емоционалната регулация на негативните емоции по време на пандемията от COVID-19: напречно проучване. Int J Ment Health Nurs [статия в списание]. 2021 06/01/2021;30(3):759–71.
Суй Уен, Гонг Х, Цяо Х, Джан Л, Ченг Дж, Донг Дж и др. Възгледите на членовете на семейството относно алтернативното вземане на решения в отделенията за интензивно лечение: систематичен преглед. INT J NURS STUD [статия в списание; преглед]. 2023 01/01/2023;137:104391.
Винсент А, Херман Дж., Шулих Р., Хрубан Р. Х., Гогинс М. Рак на панкреаса. Lancet. [Статия в списание; подкрепа за изследвания, NIH, извънболнично; подкрепа за изследвания, правителство извън САЩ; преглед]. 2011 08/13/2011;378(9791):607–20.
Илич М, Илич И. Епидемиология на рака на панкреаса. Световно списание по гастроентерология. [Статия в списание, преглед]. 2016 28.11.2016;22(44):9694–705.
Liu X, Chen B, Chen J, Sun S. Нова номограма, свързана с tp53, за прогнозиране на общата преживяемост при пациенти с рак на панкреаса. BMC Cancer [статия в списание]. 2021 31-03-2021;21(1):335.
Xian X, Zhu X, Chen Y, Huang B, Xiang W. Ефект от терапията, фокусирана върху разтвори, върху умората, свързана с рака, при пациенти с колоректален рак, получаващи химиотерапия: рандомизирано контролирано проучване. Cancer nurse. [Статия в списание; рандомизирано контролирано проучване; проучването е подкрепено от правителство извън Съединените щати]. 2022 05/01/2022;45(3):E663–73.
Zhang Cheng, Zheng Wen, Lu Y, Shan L, Xu Dong, Pan Y и др. Постоперативните нива на карциноембрионен антиген (CEA) предсказват резултата след резекция на колоректален рак при пациенти с нормални предоперативни нива на CEA. Център за транслационни изследвания на рака. [Статия в списание]. 2020 01.01.2020;9(1):111–8.
Хонг Уен, Лян Ли, Гу Ю, Ци Дзъ, Циу Хуа, Ян X и др. Имунно-свързани lncRNA генерират нови сигнатури и предсказват имунния пейзаж на човешкия хепатоцелуларен карцином. Mol Ther Nucleic acids [Статия в списание]. 2020 2020-12-04;22:937 – 47.
Toffey RJ, Zhu Y., Schulich RD Имунотерапия за рак на панкреаса: бариери и пробиви. Ann Gastrointestinal Surgeon [Статия в списание; преглед]. 2018 07/01/2018;2(4):274–81.
Hull R, Mbita Z, Dlamini Z. Дълги некодиращи РНК (LncRNAs), геномика на вирусни тумори и аберантни сплайсингови събития: терапевтични последици. AM J CANCER RES [статия в списание; преглед]. 2021 01/20/2021;11(3):866–83.
Wang J, Chen P, Zhang Y, Ding J, Yang Y, Li H. 11-Идентифициране на lncRNA сигнатури, свързани с прогнозата за рак на ендометриума. Achievements of science [статия в списание]. 2021 2021-01-01;104(1):311977089.
Jiang S, Ren H, Liu S, Lu Z, Xu A, Qin S и др. Цялостен анализ на прогностични гени за РНК-свързващи протеини и лекарствени кандидати при папиларен клетъчен карцином на бъбреците. pregen. [Статия в списание]. 2021 01/20/2021;12:627508.
Li X, Chen J, Yu Q, Huang X, Liu Z, Wang X и др. Характеристики на свързаната с автофагията дълга некодираща РНК предсказват прогнозата за рак на гърдата. pregen. [Статия в списание]. 2021 01/20/2021;12:569318.
Джоу М, Джан З, Джао Х, Бао С, Ченг Л, Сун Дж. Имунно-свързаната сигнатура на шест lncRNA подобрява прогнозата при мултиформен глиобластом. MOL Neurobiology. [Статия в списание]. 2018 01.05.2018;55(5):3684–97.
Wu B, Wang Q, Fei J, Bao Y, Wang X, Song Z и др. Нова три-дънна РНК сигнатура предсказва преживяемостта на пациенти с рак на панкреаса. ПРЕДСТАВИТЕЛИ НА ONKOL. [Статия в списание]. 2018 12/01/2018;40(6):3427–37.
Luo C, Lin K, Hu C, Zhu X, Zhu J, Zhu Z. LINC01094 насърчава прогресията на рака на панкреаса чрез регулиране на експресията на LIN28B и пътя PI3K/AKT чрез гъбест miR-577. Mol Therapeutics – Нуклеинови киселини. 2021;26:523–35.
Lin J, Zhai X, Zou S, Xu Z, Zhang J, Jiang L и др. Положителната обратна връзка между lncRNA FLVCR1-AS1 и KLF10 може да инхибира прогресията на рака на панкреаса чрез пътя PTEN/AKT. J EXP Clin Cancer Res. 2021;40(1).
Джоу Х, Лиу Х, Дзенг Х, Ву Д, Лиу Л. Идентифициране на тринадесет гена, предсказващи общата преживяемост при хепатоцелуларен карцином. Biosci Rep [статия в списание]. 2021 04/09/2021.
Време на публикуване: 22 септември 2023 г.