Rak trzustki to jeden z najbardziej śmiertelnych nowotworów na świecie, o złym rokowaniu.Dlatego potrzebny jest dokładny model prognostyczny, aby zidentyfikować pacjentów z wysokim ryzykiem raka trzustki, aby dostosować leczenie i poprawić rokowanie tych pacjentów.
Uzyskaliśmy dane dotyczące RNAseq gruczolakoraka trzustki (PAAD) z Atlasu genomu raka (TCGA) z bazy danych UCSC Xena, zidentyfikowaliśmy lncRNA (irlncRNA) związane z odpornością poprzez analizę korelacji i zidentyfikowaliśmy różnice między TCGA a normalnymi tkankami gruczolakoraka trzustki.DEirlncRNA) z TCGA i ekspresja genotypu tkanki (GTEx) tkanki trzustki.Przeprowadzono dalsze analizy jednowymiarowe i regresję lasso w celu skonstruowania prognostycznych modeli sygnatur.Następnie obliczyliśmy pole pod krzywą i określiliśmy optymalną wartość odcięcia do identyfikacji pacjentów z gruczolakorakiem trzustki wysokiego i niskiego ryzyka.Porównanie charakterystyki klinicznej, nacieku komórek odpornościowych, mikrośrodowiska immunosupresyjnego i oporności na chemioterapię u pacjentów z rakiem trzustki wysokiego i niskiego ryzyka.
Zidentyfikowaliśmy 20 par DEirlncRNA i pogrupowaliśmy pacjentów według optymalnej wartości odcięcia.Wykazaliśmy, że nasz model prognostyczny ma znaczącą skuteczność w przewidywaniu rokowania pacjentów z PAAD.AUC krzywej ROC wynosi 0,905 dla prognozy 1-letniej, 0,942 dla prognozy 2-letniej i 0,966 dla prognozy 3-letniej.Pacjenci wysokiego ryzyka mieli niższy wskaźnik przeżycia i gorszą charakterystykę kliniczną.Wykazaliśmy również, że pacjenci wysokiego ryzyka mają obniżoną odporność i może rozwinąć się oporność na immunoterapię.Ocena leków przeciwnowotworowych, takich jak paklitaksel, sorafenib i erlotynib, w oparciu o narzędzia przewidywania obliczeniowego, może być odpowiednia dla pacjentów wysokiego ryzyka z PAAD.
Ogólnie rzecz biorąc, w naszym badaniu ustalono nowy prognostyczny model ryzyka oparty na sparowanym irlncRNA, który wykazał obiecującą wartość prognostyczną u pacjentów z rakiem trzustki.Nasz prognostyczny model ryzyka może pomóc w różnicowaniu pacjentów z PAAD, którzy kwalifikują się do leczenia.
Rak trzustki jest nowotworem złośliwym o niskim wskaźniku przeżycia pięcioletniego i wysokim stopniu złośliwości.W momencie postawienia diagnozy większość pacjentów jest już w zaawansowanym stadium.W kontekście epidemii COVID-19 lekarze i pielęgniarki znajdują się pod ogromną presją podczas leczenia pacjentów chorych na raka trzustki, a rodziny pacjentów również stają przed wieloma presjami przy podejmowaniu decyzji dotyczących leczenia [1, 2].Chociaż poczyniono ogromne postępy w leczeniu DOAD, takie jak terapia neoadjuwantowa, resekcja chirurgiczna, radioterapia, chemioterapia, celowana terapia molekularna i inhibitory punktów kontrolnych układu odpornościowego (ICI), tylko około 9% pacjentów przeżywa pięć lat od diagnozy [3 ]], 4].Ze względu na nietypowy charakter wczesnych objawów gruczolakoraka trzustki, u chorych na przerzuty rozpoznaje się zwykle w zaawansowanym stadium [5].Dlatego też w przypadku danego pacjenta zindywidualizowane, kompleksowe leczenie musi rozważyć zalety i wady wszystkich opcji leczenia, nie tylko w celu wydłużenia przeżycia, ale także poprawy jakości życia [6].Dlatego też do dokładnej oceny rokowania pacjenta niezbędny jest skuteczny model predykcyjny [7].W ten sposób można wybrać odpowiednie leczenie, aby zrównoważyć przeżycie i jakość życia pacjentów z PAAD.
Złe rokowanie w PAAD wynika głównie z oporności na leki stosowane w chemioterapii.W ostatnich latach w leczeniu guzów litych szeroko stosuje się inhibitory immunologicznych punktów kontrolnych [8].Jednak zastosowanie ICI w raku trzustki rzadko kończy się sukcesem [9].Dlatego ważne jest zidentyfikowanie pacjentów, którzy mogą odnieść korzyść z terapii ICI.
Długi niekodujący RNA (lncRNA) to rodzaj niekodującego RNA z transkryptami >200 nukleotydów.LncRNA są szeroko rozpowszechnione i stanowią około 80% ludzkiego transkryptomu [10].Wiele prac wykazało, że modele prognostyczne oparte na lncRNA mogą skutecznie przewidywać rokowanie pacjenta [11, 12].Na przykład zidentyfikowano 18 lncRNA związanych z autofagią, które generują sygnatury prognostyczne w raku piersi [13].Do ustalenia cech prognostycznych glejaka wykorzystano sześć innych lncRNA o podłożu immunologicznym [14].
W przypadku raka trzustki w niektórych badaniach ustalono sygnatury oparte na lncRNA w celu przewidywania rokowania pacjenta.Sygnaturę 3-lncRNA ustalono w gruczolakoraku trzustki z polem pod krzywą ROC (AUC) wynoszącym zaledwie 0,742 i przeżyciem całkowitym (OS) wynoszącym 3 lata [15].Ponadto wartości ekspresji lncRNA różnią się w zależności od różnych genomów, różnych formatów danych i różnych pacjentów, a działanie modelu predykcyjnego jest niestabilne.Dlatego używamy nowatorskiego algorytmu modelowania, parowania i iteracji, aby wygenerować sygnatury lncRNA związanego z odpornością (irlncRNA) w celu stworzenia dokładniejszego i stabilnego modelu predykcyjnego [8].
Znormalizowane dane dotyczące RNAseq (FPKM) oraz dane dotyczące klinicznej ekspresji TCGA raka trzustki i ekspresji genotypu w tkankach (GTEx) uzyskano z bazy danych UCSC XENA (https://xenabrowser.net/datapages/).Pliki GTF uzyskano z bazy danych Ensembl (http://asia.ensembl.org) i wykorzystano do wyodrębnienia profili ekspresji lncRNA z RNAseq.Pobraliśmy geny związane z odpornością z bazy danych ImmPort (http://www.immport.org) i zidentyfikowaliśmy lncRNA związane z odpornością (irlncRNA) za pomocą analizy korelacji (p <0,001, r > 0,4).Identyfikacja różnie wyrażanych irlncRNA (DEirlncRNA) poprzez krzyżowanie irlncRNA i różnie eksprymowanych lncRNA uzyskanych z bazy danych GEPIA2 (http://gepia2.cancer-pku.cn/#index) w kohorcie TCGA-PAAD (|logFC| > 1 i FDR ) <0,05).
Metodę tę opisano już wcześniej [8].W szczególności konstruujemy X w celu zastąpienia sparowanych lncRNA A i lncRNA B. Gdy wartość ekspresji lncRNA A jest wyższa niż wartość ekspresji lncRNA B, X definiuje się jako 1, w przeciwnym razie X definiuje się jako 0. Dlatego możemy otrzymać macierz 0 lub – 1. Oś pionowa macierzy reprezentuje każdą próbkę, a oś pozioma przedstawia każdą parę DEirlncRNA o wartości 0 lub 1.
Do przesiewu prognostycznych par DEirlncRNA zastosowano analizę regresji jednoczynnikowej, a następnie regresję Lasso.W analizie regresji lasso zastosowano 10-krotną walidację krzyżową powtórzoną 1000 razy ( p < 0,05) z 1000 losowymi bodźcami na serię.Gdy częstotliwość każdej pary DEirlncRNA przekroczyła 100 razy w 1000 cyklach, wybrano pary DEirlncRNA w celu skonstruowania prognostycznego modelu ryzyka.Następnie wykorzystaliśmy krzywą AUC, aby znaleźć optymalną wartość odcięcia do klasyfikacji pacjentów z PAAD na grupy wysokiego i niskiego ryzyka.Obliczono także wartość AUC każdego modelu i wykreślono ją w postaci krzywej.Jeżeli krzywa osiągnie najwyższy punkt wskazujący maksymalną wartość AUC, proces obliczeń zostaje zatrzymany i model zostaje uznany za najlepszego kandydata.Skonstruowano 1-, 3- i 5-letnie modele krzywych ROC.Do zbadania niezależnej wydajności prognostycznej prognostycznego modelu ryzyka wykorzystano analizy regresji jednowymiarowej i wieloczynnikowej.
Użyj siedmiu narzędzi do badania współczynników infiltracji komórek odpornościowych, w tym XCELL, TIMER, QUANTISEQ, MCPCOUNTER, EPIC, CIBERSORT-ABS i CIBERSORT.Dane dotyczące infiltracji komórek odpornościowych pobrano z bazy danych TIMER2 (http://timer.comp-genomics.org/#tab-5817-3).Różnicę w zawartości komórek naciekających układ odpornościowy pomiędzy grupami wysokiego i niskiego ryzyka skonstruowanego modelu analizowano za pomocą testu rang ze znakiem Wilcoxona, wyniki przedstawiono na wykresie kwadratowym.Przeprowadzono analizę korelacji Spearmana w celu analizy związku między wartościami ryzyka a komórkami naciekającymi układ odpornościowy.Wynikowy współczynnik korelacji jest pokazany jako lizak.Próg istotności ustalono na poziomie p < 0,05.Procedurę wykonano przy użyciu pakietu R ggplot2.Aby zbadać związek między modelem a poziomami ekspresji genów związanymi z szybkością infiltracji komórek odpornościowych, wykonaliśmy pakiet ggstatsplot i wizualizację wykresu skrzypcowego.
Aby ocenić kliniczne wzorce leczenia raka trzustki, obliczyliśmy IC50 powszechnie stosowanych leków chemioterapeutycznych w kohorcie TCGA-PAAD.Różnice w stężeniach o połowę hamujących (IC50) pomiędzy grupami wysokiego i niskiego ryzyka porównano za pomocą testu rang ze znakiem Wilcoxona, a wyniki przedstawiono w postaci wykresów pudełkowych wygenerowanych za pomocą pRRophetic i ggplot2 w R. Wszystkie metody są zgodne z odpowiednimi wytycznymi i normami.
Przebieg naszego badania przedstawiono na rycinie 1. Korzystając z analizy korelacji między lncRNA a genami związanymi z odpornością, wybraliśmy 724 irlncRNA z p < 0, 01 i r > 0, 4.Następnie przeanalizowaliśmy różnie wyrażane lncRNA GEPIA2 (ryc. 2A).W sumie 223 irlncRNA ulegało zróżnicowanej ekspresji pomiędzy gruczolakorakiem trzustki a prawidłową tkanką trzustki (|logFC| > 1, FDR <0,05), nazwanych DEirlncRNA.
Budowa predykcyjnych modeli ryzyka.(A) Wykres wulkaniczny lncRNA o różnej ekspresji.(B) Rozkład współczynników lasso dla 20 par DEirlncRNA.(C) Częściowa wariancja prawdopodobieństwa rozkładu współczynników LASSO.(D) Wykres leśny przedstawiający analizę regresji jednoczynnikowej 20 par DEirlncRNA.
Następnie skonstruowaliśmy macierz 0 lub 1, łącząc 223 DEirlncRNA.W sumie zidentyfikowano 13 687 par DEirlncRNA.Po analizie jednowymiarowej i regresji lasso ostatecznie przetestowano 20 par DEirlncRNA w celu skonstruowania prognostycznego modelu ryzyka (ryc. 2B-D).Na podstawie wyników analizy Lasso i analizy regresji wielokrotnej obliczyliśmy ocenę ryzyka dla każdego pacjenta w kohorcie TCGA-PAAD (Tabela 1).Na podstawie wyników analizy regresji lasso obliczyliśmy ocenę ryzyka dla każdego pacjenta w kohorcie TCGA-PAAD.AUC krzywej ROC wyniosło 0,905 dla prognozy modelu ryzyka 1-letniego, 0,942 dla prognozy 2-letniej i 0,966 dla prognozy 3-letniej (Rysunek 3A-B).Ustaliliśmy optymalną wartość odcięcia na 3,105, podzieliliśmy pacjentów z kohorty TCGA-PAAD na grupy wysokiego i niskiego ryzyka oraz wykreśliliśmy wyniki przeżycia i rozkłady punktacji ryzyka dla każdego pacjenta (ryc. 3C-E).Analiza Kaplana-Meiera wykazała, że przeżycie pacjentów z PAAD w grupie wysokiego ryzyka było istotnie niższe niż w grupie niskiego ryzyka (p < 0,001) (ryc. 3F).
Ważność prognostycznych modeli ryzyka.(A) ROC prognostycznego modelu ryzyka.(B) 1-, 2- i 3-letnie modele ryzyka prognostycznego ROC.(C) ROC prognostycznego modelu ryzyka.Pokazuje optymalny punkt odcięcia.(DE) Rozkład statusu przeżycia (D) i punktacji ryzyka (E).(F) Analiza Kaplana-Meiera pacjentów z PAAD w grupach wysokiego i niskiego ryzyka.
Następnie oceniliśmy różnice w wynikach ryzyka według cech klinicznych.Wykres paskowy (ryc. 4A) pokazuje ogólny związek między charakterystyką kliniczną a punktacją ryzyka.W szczególności starsi pacjenci mieli wyższą punktację ryzyka (ryc. 4B).Ponadto pacjenci w stadium II mieli wyższą punktację ryzyka niż pacjenci w stadium I (ryc. 4C).Jeśli chodzi o stopień guza u pacjentów z PAAD, pacjenci w stopniu 3. mieli wyższą punktację ryzyka niż pacjenci w stopniu 1. i 2. (ryc. 4D).Następnie przeprowadziliśmy jednoczynnikową i wieloczynnikową analizę regresji i wykazaliśmy, że punktacja ryzyka (p < 0,001) i wiek (p = 0,045) były niezależnymi czynnikami prognostycznymi u pacjentów z PAAD (ryc. 5A-B).Krzywa ROC wykazała, że ocena ryzyka przewyższała inne cechy kliniczne w przewidywaniu 1-, 2- i 3-letniego przeżycia pacjentów z PAAD (ryc. 5C-E).
Charakterystyka kliniczna prognostycznych modeli ryzyka.Histogram (A) pokazuje (B) wiek, (C) stadium nowotworu, (D) stopień guza, ocenę ryzyka i płeć pacjentów w kohorcie TCGA-PAAD.**p < 0,01
Niezależna analiza predykcyjna prognostycznych modeli ryzyka.(AB) Jednoczynnikowa (A) i wieloczynnikowa (B) analiza regresji prognostycznych modeli ryzyka i charakterystyki klinicznej.(CE) 1-, 2- i 3-letni ROC dla prognostycznych modeli ryzyka i charakterystyki klinicznej
Dlatego zbadaliśmy związek między czasem a oceną ryzyka.Stwierdziliśmy, że ocena ryzyka u pacjentów z PAAD była odwrotnie skorelowana z komórkami T CD8+ i komórkami NK (ryc. 6A), co wskazuje na stłumioną funkcję immunologiczną w grupie wysokiego ryzyka.Oceniliśmy także różnicę w nacieku komórek odpornościowych pomiędzy grupami wysokiego i niskiego ryzyka i uzyskaliśmy te same wyniki (ryc. 7).W grupie wysokiego ryzyka naciek limfocytów T CD8+ i komórek NK był mniejszy.W ostatnich latach w leczeniu guzów litych szeroko stosuje się inhibitory immunologicznych punktów kontrolnych (ICI).Jednak zastosowanie ICI w leczeniu raka trzustki rzadko kończy się sukcesem.Dlatego oceniliśmy ekspresję genów punktów kontrolnych odporności w grupach wysokiego i niskiego ryzyka.Odkryliśmy, że CTLA-4 i CD161 (KLRB1) ulegały nadekspresji w grupie niskiego ryzyka (ryc. 6B-G), co wskazuje, że pacjenci z PAAD w grupie niskiego ryzyka mogą być wrażliwi na ICI.
Analiza korelacji prognostycznego modelu ryzyka i nacieku komórek odpornościowych.(A) Korelacja między prognostycznym modelem ryzyka a infiltracją komórek odpornościowych.(BG) Wskazuje ekspresję genów w grupach wysokiego i niskiego ryzyka.(HK) Wartości IC50 dla określonych leków przeciwnowotworowych w grupach wysokiego i niskiego ryzyka.*p < 0,05, **p < 0,01, ns = nieistotne
Następnie oceniliśmy związek między punktacją ryzyka a powszechnymi środkami chemioterapeutycznymi w kohorcie TCGA-PAAD.Poszukiwaliśmy powszechnie stosowanych leków przeciwnowotworowych w leczeniu raka trzustki i analizowaliśmy różnice w ich wartościach IC50 pomiędzy grupami wysokiego i niskiego ryzyka.Wyniki wykazały, że wartość IC50 AZD.2281 (olaparybu) była wyższa w grupie wysokiego ryzyka, co wskazuje, że pacjenci z PAAD w grupie wysokiego ryzyka mogą być oporni na leczenie AZD.2281 (ryc. 6H).Ponadto wartości IC50 paklitakselu, sorafenibu i erlotynibu były niższe w grupie wysokiego ryzyka (ryc. 6I-K).Następnie zidentyfikowaliśmy 34 leki przeciwnowotworowe o wyższych wartościach IC50 w grupie wysokiego ryzyka i 34 leki przeciwnowotworowe o niższych wartościach IC50 w grupie wysokiego ryzyka (Tabela 2).
Nie można zaprzeczyć, że lncRNA, mRNA i miRNA powszechnie istnieją i odgrywają kluczową rolę w rozwoju raka.Istnieje wiele dowodów potwierdzających ważną rolę mRNA lub miRNA w przewidywaniu całkowitego przeżycia w przypadku kilku typów nowotworów.Niewątpliwie wiele prognostycznych modeli ryzyka również opiera się na lncRNA.Na przykład Luo i in.Badania wykazały, że LINC01094 odgrywa kluczową rolę w proliferacji PC i przerzutach, a wysoka ekspresja LINC01094 wskazuje na słabą przeżywalność pacjentów z rakiem trzustki [16].Badanie zaprezentowane przez Lin i in.Badania wykazały, że obniżenie poziomu lncRNA FLVCR1-AS1 wiąże się ze złym rokowaniem u pacjentów z rakiem trzustki [17].Jednakże lncRNA związane z odpornością są stosunkowo rzadziej omawiane w kontekście przewidywania całkowitego przeżycia pacjentów chorych na raka.Ostatnio wiele prac poświęcono budowie prognostycznych modeli ryzyka w celu przewidywania przeżycia pacjentów chorych na nowotwory i tym samym dostosowywania metod leczenia [18, 19, 20].Rośnie świadomość istotnej roli nacieków immunologicznych w inicjacji, progresji i odpowiedzi na leczenie, takie jak chemioterapia, raka.Liczne badania potwierdziły, że komórki odpornościowe naciekające nowotwór odgrywają kluczową rolę w odpowiedzi na chemioterapię cytotoksyczną [21, 22, 23].Mikrośrodowisko odpornościowe nowotworu jest ważnym czynnikiem wpływającym na przeżycie pacjentów z nowotworem [24, 25].Immunoterapia, zwłaszcza terapia ICI, jest szeroko stosowana w leczeniu guzów litych [26].Geny związane z układem immunologicznym są szeroko stosowane do konstruowania prognostycznych modeli ryzyka.Na przykład Su i in.Model ryzyka prognostycznego o podłożu immunologicznym opiera się na genach kodujących białka w celu przewidywania rokowania u pacjentek z rakiem jajnika [27].Geny niekodujące, takie jak lncRNA, nadają się również do konstruowania prognostycznych modeli ryzyka [28, 29, 30].Luo i wsp. przetestowali cztery lncRNA pochodzenia immunologicznego i zbudowali model predykcyjny ryzyka raka szyjki macicy [31].Khan i in.W sumie zidentyfikowano 32 transkrypty o różnej ekspresji i na tej podstawie ustalono model predykcyjny obejmujący 5 znaczących transkryptów, który zaproponowano jako wysoce zalecane narzędzie do przewidywania potwierdzonego biopsją ostrego odrzucenia przeszczepu nerki [32].
Większość tych modeli opiera się na poziomach ekspresji genów, albo genów kodujących białka, albo genów niekodujących.Jednak ten sam gen może mieć różne wartości ekspresji w różnych genomach, formatach danych i u różnych pacjentów, co prowadzi do niestabilnych szacunków w modelach predykcyjnych.W tym badaniu zbudowaliśmy rozsądny model z dwiema parami lncRNA, niezależnie od dokładnych wartości ekspresji.
W tym badaniu po raz pierwszy zidentyfikowaliśmy irlncRNA poprzez analizę korelacji z genami związanymi z odpornością.Przeszukaliśmy 223 DEirlncRNA poprzez hybrydyzację z lncRNA o różnej ekspresji.Po drugie, skonstruowaliśmy macierz 0 lub 1 w oparciu o opublikowaną metodę parowania DEirlncRNA [31].Następnie przeprowadziliśmy analizę jednowymiarową i analizę regresji lasso, aby zidentyfikować prognostyczne pary DEirlncRNA i skonstruować predykcyjny model ryzyka.Następnie przeanalizowaliśmy związek między punktacją ryzyka a charakterystyką kliniczną u pacjentów z PAAD.Odkryliśmy, że nasz prognostyczny model ryzyka, jako niezależny czynnik prognostyczny u pacjentów z PAAD, może skutecznie różnicować pacjentów o wysokim stopniu złośliwości od pacjentów o niskim stopniu złośliwości oraz pacjentów o wysokim stopniu złośliwości od pacjentów o niskim stopniu złośliwości.Dodatkowo wartości AUC krzywej ROC prognostycznego modelu ryzyka wyniosły 0,905 dla prognozy 1-letniej, 0,942 dla prognozy 2-letniej i 0,966 dla prognozy 3-letniej.
Badacze podali, że pacjenci z większym naciekiem limfocytów T CD8+ byli bardziej wrażliwi na leczenie ICI [33].Zwiększenie zawartości komórek cytotoksycznych, komórek NK CD56, komórek NK i komórek T CD8+ w mikrośrodowisku odpornościowym nowotworu może być jedną z przyczyn efektu supresji nowotworu [34].Poprzednie badania wykazały, że wyższe poziomy CD4(+) T i CD8(+) T naciekające nowotwór były istotnie powiązane z dłuższym przeżyciem [35].Słaby naciek limfocytów T CD8, niski poziom neoantygenów i wysoce immunosupresyjne mikrośrodowisko nowotworu prowadzą do braku odpowiedzi na terapię ICI [36].Stwierdziliśmy, że ocena ryzyka była ujemnie skorelowana z limfocytami T CD8+ i komórkami NK, co wskazuje, że pacjenci z wysokimi wynikami ryzyka mogą nie kwalifikować się do leczenia ICI i mają gorsze rokowanie.
CD161 jest markerem komórek naturalnych zabójców (NK).Komórki T transdukowane CAR CD8+CD161+ pośredniczą w zwiększonej skuteczności przeciwnowotworowej in vivo w modelach ksenoprzeszczepu gruczolakoraka przewodowego trzustki HER2+ [37].Inhibitory immunologicznych punktów kontrolnych celują w szlaki białka 4 związanego z cytotoksycznymi limfocytami T (CTLA-4) i białka programowanej śmierci komórki 1 (PD-1)/liganda programowanej śmierci komórki 1 (PD-L1) i mają ogromny potencjał w wielu obszarach.Ekspresja CTLA-4 i CD161 (KLRB1) jest niższa w grupach wysokiego ryzyka, co dodatkowo wskazuje, że pacjenci z wynikami wysokiego ryzyka mogą nie kwalifikować się do leczenia ICI.[38]
Aby znaleźć opcje leczenia odpowiednie dla pacjentów wysokiego ryzyka, przeanalizowaliśmy różne leki przeciwnowotworowe i odkryliśmy, że paklitaksel, sorafenib i erlotynib, które są powszechnie stosowane u pacjentów z PAAD, mogą być odpowiednie dla pacjentów wysokiego ryzyka z PAAD.[33].Zhang i wsp. odkryli, że mutacje w dowolnym szlaku reakcji na uszkodzenie DNA (DDR) mogą prowadzić do złego rokowania u pacjentów z rakiem prostaty [39].Badanie Pancreatic Cancer Olaparib Ongoing (POLO) wykazało, że leczenie podtrzymujące olaparybem wydłuża czas przeżycia wolny od progresji w porównaniu z placebo po chemioterapii pierwszego rzutu opartej na pochodnych platyny u pacjentów z gruczolakorakiem przewodowym trzustki i mutacjami BRCA1/2 linii zarodkowej [40].Napawa to dużym optymizmem, że wyniki leczenia w tej podgrupie pacjentów ulegną znacznej poprawie.W tym badaniu wartość IC50 AZD.2281 (olaparybu) była wyższa w grupie wysokiego ryzyka, co wskazuje, że pacjenci z PAAD w grupie wysokiego ryzyka mogą być oporni na leczenie AZD.2281.
Modele prognostyczne zastosowane w tym badaniu dają dobre wyniki prognostyczne, ale opierają się na prognozach analitycznych.Ważnym pytaniem jest, jak potwierdzić te wyniki danymi klinicznymi.Endoskopowa ultrasonografia aspiracyjna cienkoigłowa (EUS-FNA) stała się niezastąpioną metodą diagnostyki litych i pozatrzustkowych zmian w trzustce z czułością na poziomie 85% i swoistością 98% [41].Pojawienie się igieł do biopsji cienkoigłowej EUS (EUS-FNB) opiera się głównie na dostrzeganych zaletach w porównaniu z FNA, takich jak większa dokładność diagnostyczna, uzyskiwanie próbek zachowujących strukturę histologiczną, a tym samym wytwarzanie tkanki odpornościowej, która ma kluczowe znaczenie w niektórych diagnozach.specjalne barwienie [42].Systematyczny przegląd literatury potwierdził, że igły FNB (zwłaszcza 22G) wykazują największą skuteczność w pobieraniu tkanki z mas trzustkowych [43].Klinicznie tylko niewielka liczba pacjentów kwalifikuje się do radykalnej operacji, a większość pacjentów w momencie wstępnej diagnozy ma guzy nieoperacyjne.W praktyce klinicznej tylko niewielka część pacjentów kwalifikuje się do radykalnej operacji, ponieważ większość pacjentów w momencie wstępnej diagnozy ma guzy nieoperacyjne.Po potwierdzeniu patologicznym za pomocą EUS-FNB i innymi metodami zwykle wybiera się standardowe leczenie niechirurgiczne, takie jak chemioterapia.Nasz kolejny program badawczy polega na przetestowaniu modelu prognostycznego tego badania w kohortach chirurgicznych i niechirurgicznych poprzez analizę retrospektywną.
Ogólnie rzecz biorąc, w naszym badaniu ustalono nowy prognostyczny model ryzyka oparty na sparowanym irlncRNA, który wykazał obiecującą wartość prognostyczną u pacjentów z rakiem trzustki.Nasz prognostyczny model ryzyka może pomóc w różnicowaniu pacjentów z PAAD, którzy kwalifikują się do leczenia.
Zbiory danych wykorzystane i przeanalizowane w bieżącym badaniu są dostępne u odpowiedniego autora na uzasadnioną prośbę.
Sui Wen, Gong X, Zhuang Y. Mediacyjna rola poczucia własnej skuteczności w emocjonalnej regulacji negatywnych emocji podczas pandemii COVID-19: badanie przekrojowe.Int J Ment Health Nurs [artykuł w czasopiśmie].2021 01.06.2021;30(3):759–71.
Sui Wen, Gong X, Qiao X, Zhang L, Cheng J, Dong J i in.Poglądy członków rodziny na temat alternatywnego podejmowania decyzji na oddziałach intensywnej terapii: przegląd systematyczny.INT J NURS STUD [artykuł w czasopiśmie;recenzja].2023 01.01.2023;137:104391.
Vincent A, Herman J, Schulich R, Hruban RH, Goggins M. Rak trzustki.Lancet.[Artykuł w czasopiśmie;wsparcie badawcze, NIH, zaoczne;wsparcie badawcze, rząd poza USA;recenzja].2011 13.08.2011;378(9791):607–20.
Ilic M, Ilic I. Epidemiologia raka trzustki.Światowy Dziennik Gastroenterologii.[Artykuł w czasopiśmie, recenzja].2016 28.11.2016;22(44):9694–705.
Liu X, Chen B, Chen J, Sun S. Nowy nomogram związany z tp53 do przewidywania całkowitego przeżycia u pacjentów z rakiem trzustki.BMC Cancer [artykuł w czasopiśmie].2021 31-03-2021;21(1):335.
Xian X, Zhu X, Chen Y, Huang B, Xiang W. Wpływ terapii skoncentrowanej na rozwiązaniach na zmęczenie związane z nowotworem u pacjentów z rakiem jelita grubego otrzymujących chemioterapię: randomizowane badanie kontrolowane.Pielęgniarka onkologiczna.[Artykuł w czasopiśmie;randomizowane badanie kontrolowane;badanie jest wspierane przez rząd spoza Stanów Zjednoczonych].2022 01.05.2022;45(3):E663–73.
Zhang Cheng, Zheng Wen, Lu Y, Shan L, Xu Dong, Pan Y i in.Pooperacyjne poziomy antygenu rakowo-embrionalnego (CEA) pozwalają przewidzieć wynik resekcji raka jelita grubego u pacjentów z prawidłowym przedoperacyjnym poziomem CEA.Centrum Translacyjnych Badań nad Rakiem.[Artykuł w czasopiśmie].2020 01.01.2020;9(1):111–8.
Hong Wen, Liang Li, Gu Yu, Qi Zi, Qiu Hua, Yang X i in.lncRNA pochodzenia immunologicznego generują nowe sygnatury i przewidują krajobraz immunologiczny ludzkiego raka wątrobowokomórkowego.Mol Ther Kwasy nukleinowe [artykuł w czasopiśmie].2020 2020-12-04;22:937 – 47.
Toffey RJ, Zhu Y., Schulich RD Immunoterapia raka trzustki: bariery i przełomy.Ann Chirurg przewodu pokarmowego [artykuł w czasopiśmie;recenzja].2018 01.07.2018;2(4):274–81.
Hull R, Mbita Z, Dlamini Z. Długie niekodujące RNA (LncRNA), genomika nowotworów wirusowych i nieprawidłowe zdarzenia splicingu: implikacje terapeutyczne.AM J CANCER RES [artykuł w czasopiśmie;recenzja].2021 20.01.2021;11(3):866–83.
Wang J, Chen P, Zhang Y, Ding J, Yang Y, Li H. 11-Identyfikacja sygnatur lncRNA związanych z rokowaniem w przypadku raka endometrium.Osiągnięcia nauki [artykuł w czasopiśmie].2021 2021-01-01;104(1):311977089.
Jiang S, Ren H, Liu S, Lu Z, Xu A, Qin S i in.Kompleksowa analiza genów prognostycznych białek wiążących RNA i kandydatów na leki w raku nerkowokomórkowym brodawkowatym.pregen.[Artykuł w czasopiśmie].2021 20.01.2021;12:627508.
Li X, Chen J, Yu Q, Huang X, Liu Z, Wang X i in.Charakterystyka długiego niekodującego RNA związanego z autofagią pozwala przewidzieć rokowanie w przypadku raka piersi.pregen.[Artykuł w czasopiśmie].2021 20.01.2021;12:569318.
Zhou M, Zhang Z, Zhao X, Bao S, Cheng L, Sun J. Sześć sygnatur lncRNA związanych z odpornością poprawia rokowanie w glejaku wielopostaciowym.Neurobiologia MOL.[Artykuł w czasopiśmie].2018 01.05.2018;55(5):3684–97.
Wu B, Wang Q, Fei J, Bao Y, Wang X, Song Z i in.Nowatorska sygnatura tri-lncRNA pozwala przewidzieć przeżycie pacjentów z rakiem trzustki.PRZEDSTAWICIELE ONKOLU.[Artykuł w czasopiśmie].2018 12.01.2018;40(6):3427–37.
Luo C, Lin K, Hu C, Zhu X, Zhu J, Zhu Z. LINC01094 promuje progresję raka trzustki poprzez regulację ekspresji LIN28B i szlaku PI3K/AKT przez gąbczasty miR-577.Mol Therapeutics – Kwasy nukleinowe.2021;26:523–35.
Lin J, Zhai X, Zou S, Xu Z, Zhang J, Jiang L i in.Pozytywne sprzężenie zwrotne między lncRNA FLVCR1-AS1 i KLF10 może hamować progresję raka trzustki poprzez szlak PTEN/AKT.J EXP Clin Cancer Res.2021;40(1).
Zhou X, Liu X, Zeng X, Wu D, Liu L. Identyfikacja trzynastu genów przewidujących przeżycie całkowite w raku wątrobowokomórkowym.Biosci Rep [artykuł w czasopiśmie].2021 04.09.2021.
Czas publikacji: 22 września 2023 r