O cancro de páncreas é un dos tumores máis mortais do mundo cun mal prognóstico.Polo tanto, é necesario un modelo de predición preciso para identificar pacientes con alto risco de padecer cancro de páncreas para adaptar o tratamento e mellorar o prognóstico destes pacientes.
Obtivemos datos de RNAseq do adenocarcinoma pancreático (PAAD) do Cancer Genome Atlas (TCGA) da base de datos UCSC Xena, identificamos ARNlnc relacionados co sistema inmunitario (irlncRNAs) mediante a análise de correlación e identificamos diferenzas entre o TCGA e os tecidos normais de adenocarcinoma pancreático.DEirlncRNA) do TCGA e da expresión do tecido xenotípico (GTEx) do tecido pancreático.Realizáronse máis análises de regresión univariada e lazo para construír modelos de sinatura de pronóstico.Despois calculamos a área baixo a curva e determinamos o valor de corte óptimo para identificar pacientes con adenocarcinoma de páncreas de alto e baixo risco.Comparar as características clínicas, a infiltración de células inmunitarias, o microambiente inmunosupresor e a resistencia á quimioterapia en pacientes con cancro de páncreas de alto e baixo risco.
Identificamos 20 pares de DEirlncRNA e agrupamos os pacientes segundo o valor de corte óptimo.Demostramos que o noso modelo de sinatura de pronóstico ten un rendemento significativo na predicción do prognóstico dos pacientes con PAAD.O AUC da curva ROC é de 0,905 para a previsión a 1 ano, 0,942 para a previsión a 2 anos e 0,966 para a previsión a 3 anos.Os pacientes de alto risco tiñan taxas de supervivencia máis baixas e peores características clínicas.Tamén demostramos que os pacientes de alto risco están inmunodeprimidos e poden desenvolver resistencia á inmunoterapia.A avaliación de fármacos contra o cancro como paclitaxel, sorafenib e erlotinib baseada en ferramentas de predición computacional pode ser apropiada para pacientes de alto risco con PAAD.
En xeral, o noso estudo estableceu un novo modelo de risco prognóstico baseado no ARNcnc pareado, que mostrou un valor pronóstico prometedor en pacientes con cancro de páncreas.O noso modelo de risco pronóstico pode axudar a diferenciar os pacientes con PAAD que son axeitados para o tratamento médico.
O cancro de páncreas é un tumor maligno cunha baixa taxa de supervivencia a cinco anos e un alto grao.No momento do diagnóstico, a maioría dos pacientes xa están en fases avanzadas.No contexto da epidemia de COVID-19, os médicos e enfermeiras están baixo unha enorme presión cando tratan pacientes con cancro de páncreas, e as familias dos pacientes tamén se enfrontan a múltiples presións á hora de tomar decisións de tratamento [1, 2].Aínda que se realizaron grandes avances no tratamento dos DOAD, como a terapia neoadxuvante, a resección cirúrxica, a radioterapia, a quimioterapia, a terapia molecular dirixida e os inhibidores do punto de control inmunitario (ICI), só preto do 9% dos pacientes sobreviven cinco anos despois do diagnóstico [3]. ].], 4].Debido a que os primeiros síntomas do adenocarcinoma pancreático son atípicos, os pacientes adoitan ser diagnosticados con metástasis nun estadio avanzado [5].Polo tanto, para un determinado paciente, o tratamento integral individualizado debe sopesar as vantaxes e os inconvenientes de todas as opcións de tratamento, non só para prolongar a supervivencia, senón tamén para mellorar a calidade de vida [6].Polo tanto, é necesario un modelo de predición eficaz para avaliar con precisión o prognóstico do paciente [7].Así, pódese seleccionar o tratamento axeitado para equilibrar a supervivencia e a calidade de vida dos pacientes con PAAD.
O mal pronóstico do PAAD débese principalmente á resistencia aos fármacos de quimioterapia.Nos últimos anos, os inhibidores do punto de control inmunitario utilizáronse amplamente no tratamento de tumores sólidos [8].Non obstante, o uso de ICI no cancro de páncreas raramente ten éxito [9].Polo tanto, é importante identificar pacientes que poden beneficiarse da terapia ICI.
O ARN longo non codificante (ARNlnc) é un tipo de ARN non codificante con transcritos > 200 nucleótidos.Os LncRNA están moi estendidos e constitúen preto do 80% do transcriptoma humano [10].Un gran conxunto de traballos demostrou que os modelos de pronóstico baseados en lncRNA poden predicir eficazmente o prognóstico do paciente [11, 12].Por exemplo, identificáronse 18 lncRNA relacionados coa autofaxia para xerar firmas de pronóstico no cancro de mama [13].Utilizáronse outros seis lncRNA relacionados co sistema inmune para establecer as características pronósticas do glioma [14].
No cancro de páncreas, algúns estudos estableceron sinaturas baseadas en lncRNA para predicir o prognóstico do paciente.Estableceuse unha sinatura de 3-lncRNA no adenocarcinoma pancreático cunha área baixo a curva ROC (AUC) de só 0,742 e unha supervivencia global (SO) de 3 anos [15].Ademais, os valores de expresión do lncRNA varían entre diferentes xenomas, diferentes formatos de datos e diferentes pacientes, e o rendemento do modelo preditivo é inestable.Polo tanto, usamos un novo algoritmo de modelado, emparellamento e iteración, para xerar sinaturas de lncRNA (irlncRNA) relacionadas coa inmunidade para crear un modelo preditivo máis preciso e estable [8].
Os datos normalizados de RNAseq (FPKM) e os datos clínicos de cancro de páncreas TCGA e expresión de tecidos xenotípicos (GTEx) obtivéronse da base de datos UCSC XENA (https://xenabrowser.net/datapages/).Os ficheiros GTF obtivéronse da base de datos Ensembl (http://asia.ensembl.org) e utilizáronse para extraer perfís de expresión de lncRNA de RNAseq.Descargamos xenes relacionados coa inmunidade da base de datos ImmPort (http://www.immport.org) e identificamos lncRNAs relacionados coa inmunidade (irlncRNAs) mediante a análise de correlación (p <0,001, r>0,4).Identificación de irlncRNAs expresados diferencialmente (DEirlncRNAs) cruzando irlncRNAs e lncRNAs expresados diferencialmente obtidos da base de datos GEPIA2 (http://gepia2.cancer-pku.cn/#index) na cohorte TCGA-PAAD (|logFC|> 1 e FDR). ) <0,05).
Este método foi informado anteriormente [8].Concretamente, construímos X para substituír os pares de lncRNA A e lncRNA B. Cando o valor de expresión do lncRNA A é maior que o valor de expresión do lncRNA B, X defínese como 1, se non X defínese como 0. Polo tanto, podemos obter unha matriz de 0 ou – 1. O eixe vertical da matriz representa cada mostra, e o eixe horizontal representa cada par de DEirlncRNA cun valor de 0 ou 1.
Utilizouse a análise de regresión univariada seguida da regresión de Lasso para seleccionar os pares de DEirlncRNA prognósticos.A análise de regresión do lazo utilizou validación cruzada de 10 veces repetida 1000 veces (p <0,05), con 1000 estímulos aleatorios por carreira.Cando a frecuencia de cada par de DEirlncRNA superou 100 veces en 1000 ciclos, seleccionáronse os pares de DEirlncRNA para construír un modelo de risco prognóstico.Despois utilizamos a curva AUC para atopar o valor de corte óptimo para clasificar aos pacientes con PAAD en grupos de alto e baixo risco.Tamén se calculou o valor AUC de cada modelo e representouse como unha curva.Se a curva alcanza o punto máis alto que indica o valor máximo de AUC, o proceso de cálculo detense e o modelo considérase o mellor candidato.Construíronse modelos de curva ROC a 1, 3 e 5 anos.Utilizáronse análises de regresión univariada e multivariada para examinar o rendemento preditivo independente do modelo de risco prognóstico.
Utiliza sete ferramentas para estudar as taxas de infiltración de células inmunitarias, incluíndo XCELL, TIMER, QUANTISEQ, MCPCOUNTER, EPIC, CIBERSORT-ABS e CIBERSORT.Os datos de infiltración de células inmunes descargáronse da base de datos TIMER2 (http://timer.comp-genomics.org/#tab-5817-3).A diferenza no contido de células infiltrantes inmunitarias entre os grupos de alto e baixo risco do modelo construído analizouse mediante a proba de rango con signo de Wilcoxon, os resultados móstranse no gráfico cadrado.Realizouse a análise de correlación de Spearman para analizar a relación entre os valores da puntuación de risco e as células infiltrantes inmunitarias.O coeficiente de correlación resultante móstrase como unha piruleta.O limiar de significación estableceuse en p < 0,05.O procedemento realizouse usando o paquete R ggplot2.Para examinar a relación entre o modelo e os niveis de expresión xénica asociados coa taxa de infiltración de células inmunitarias, realizamos o paquete ggstatsplot e a visualización do diagrama de violín.
Para avaliar os patróns de tratamento clínico para o cancro de páncreas, calculamos o IC50 dos fármacos de quimioterapia de uso común na cohorte TCGA-PAAD.Comparáronse as diferenzas nas concentracións medias inhibitorias (IC50) entre os grupos de risco alto e baixo mediante a proba de rango con signo de Wilcoxon, e os resultados móstranse como diagramas de caixa xerados mediante pRRophetic e ggplot2 en R. Todos os métodos cumpren as directrices e normas relevantes.
O fluxo de traballo do noso estudo móstrase na Figura 1. Usando a análise de correlación entre os lncRNAs e os xenes relacionados coa inmunidade, seleccionamos 724 irlncRNAs con p < 0,01 e r > 0,4.A continuación analizamos os lncRNAs expresados de forma diferencial de GEPIA2 (Figura 2A).Un total de 223 irlncRNAs expresáronse de forma diferencial entre o adenocarcinoma pancreático e o tecido pancreático normal (|logFC|> 1, FDR < 0,05), chamados DEirlncRNAs.
Construción de modelos preditivos de risco.(A) Gráfico de volcáns de lncRNA expresados de forma diferencial.(B) Distribución dos coeficientes de lazo para 20 pares de DEirlncRNA.(C) Varianza de verosimilitude parcial da distribución do coeficiente LASSO.(D) Gráfico forestal que mostra a análise de regresión univariada de 20 pares de DEirlncRNA.
A continuación construímos unha matriz 0 ou 1 emparellando 223 DEirlncRNAs.Identificáronse un total de 13.687 pares de DEirlncRNA.Despois da análise de regresión univariada e lazo, finalmente probáronse 20 pares de DEirlncRNA para construír un modelo de risco prognóstico (Figura 2B-D).A partir dos resultados de Lasso e da análise de regresión múltiple, calculamos unha puntuación de risco para cada paciente na cohorte TCGA-PAAD (táboa 1).En base aos resultados da análise de regresión do lazo, calculamos unha puntuación de risco para cada paciente da cohorte TCGA-PAAD.O AUC da curva ROC foi de 0,905 para a predición do modelo de risco a 1 ano, 0,942 para a predición a 2 anos e 0,966 para a predición a 3 anos (Figura 3A-B).Establecemos un valor de corte óptimo de 3,105, estratificou os pacientes da cohorte TCGA-PAAD en grupos de alto e baixo risco e representamos os resultados de supervivencia e as distribucións de puntuación de risco para cada paciente (Figura 3C-E).A análise de Kaplan-Meier mostrou que a supervivencia dos pacientes con PAAD no grupo de alto risco foi significativamente menor que a dos pacientes do grupo de baixo risco (p <0,001) (Figura 3F).
Validez dos modelos de risco prognóstico.(A) ROC do modelo de risco prognóstico.(B) Modelos de risco pronóstico ROC a 1, 2 e 3 anos.(C) ROC do modelo de risco pronóstico.Mostra o punto de corte óptimo.(DE) Distribución do estado de supervivencia (D) e puntuacións de risco (E).(F) Análise Kaplan-Meier de pacientes con PAAD en grupos de alto e baixo risco.
Ademais, avaliamos as diferenzas nas puntuacións de risco segundo as características clínicas.O gráfico de tiras (Figura 4A) mostra a relación global entre as características clínicas e as puntuacións de risco.En particular, os pacientes maiores tiñan puntuacións de risco máis altas (Figura 4B).Ademais, os pacientes con estadio II tiñan puntuacións de risco máis altas que os pacientes con estadio I (Figura 4C).En canto ao grao do tumor en pacientes con PAAD, os pacientes de grao 3 tiñan puntuacións de risco máis altas que os de grao 1 e 2 (Figura 4D).Ademais, realizamos análises de regresión univariada e multivariada e demostramos que a puntuación de risco (p <0,001) e a idade (p = 0,045) eran factores pronósticos independentes en pacientes con PAAD (Figura 5A-B).A curva ROC demostrou que a puntuación de risco era superior a outras características clínicas para predecir a supervivencia a 1, 2 e 3 anos dos pacientes con PAAD (Figura 5C-E).
Características clínicas dos modelos de risco pronóstico.O histograma (A) mostra (B) a idade, (C) o estadio do tumor, (D) o grao do tumor, a puntuación de risco e o sexo dos pacientes da cohorte TCGA-PAAD.**p < 0,01
Análise preditiva independente de modelos de risco prognóstico.(AB) Análise de regresión univariada (A) e multivariada (B) de modelos de risco pronóstico e características clínicas.(CE) ROC de 1, 2 e 3 anos para modelos de risco pronóstico e características clínicas
Polo tanto, examinamos a relación entre o tempo e as puntuacións de risco.Descubrimos que a puntuación de risco en pacientes con PAAD estaba inversamente correlacionada coas células T CD8+ e as células NK (Figura 6A), o que indica a función inmune suprimida no grupo de alto risco.Tamén avaliamos a diferenza na infiltración de células inmunitarias entre os grupos de alto e baixo risco e atopamos os mesmos resultados (Figura 7).Houbo menos infiltración de células T CD8+ e células NK no grupo de alto risco.Nos últimos anos, os inhibidores do punto de control inmunitario (ICI) utilizáronse amplamente no tratamento de tumores sólidos.Non obstante, o uso de ICI no cancro de páncreas raramente tivo éxito.Polo tanto, avaliamos a expresión dos xenes do punto de control inmunitario en grupos de alto e baixo risco.Descubrimos que CTLA-4 e CD161 (KLRB1) estaban sobreexpresados no grupo de baixo risco (Figura 6B-G), o que indica que os pacientes con PAAD do grupo de baixo risco poden ser sensibles a ICI.
Análise de correlación do modelo de risco pronóstico e a infiltración de células inmunitarias.(A) Correlación entre o modelo de risco pronóstico e a infiltración de células inmunitarias.(BG) Indica a expresión xénica en grupos de alto e baixo risco.(HK) Valores IC50 para fármacos específicos contra o cancro en grupos de alto e baixo risco.*p < 0,05, **p < 0,01, ns = non significativo
Ademais, avaliamos a asociación entre as puntuacións de risco e os axentes de quimioterapia comúns na cohorte TCGA-PAAD.Buscamos fármacos contra o cancro de uso común no cancro de páncreas e analizamos as diferenzas nos seus valores de IC50 entre os grupos de alto e baixo risco.Os resultados mostraron que o valor IC50 de AZD.2281 (olaparib) foi maior no grupo de alto risco, o que indica que os pacientes con PAAD do grupo de alto risco poden ser resistentes ao tratamento con AZD.2281 (Figura 6H).Ademais, os valores de IC50 de paclitaxel, sorafenib e erlotinib foron máis baixos no grupo de alto risco (figura 6I-K).Ademais, identificamos 34 fármacos contra o cancro con valores de IC50 máis altos no grupo de alto risco e 34 fármacos contra o cancro con valores de IC50 máis baixos no grupo de alto risco (táboa 2).
Non se pode negar que os lncRNAs, ARNm e miRNAs existen amplamente e xogan un papel crucial no desenvolvemento do cancro.Hai unha ampla evidencia que apoia o importante papel do ARNm ou miARN na predicción da supervivencia global en varios tipos de cancro.Sen dúbida, moitos modelos de risco prognóstico tamén se basean en lncRNAs.Por exemplo, Luo et al.Os estudos demostraron que LINC01094 xoga un papel fundamental na proliferación e metástase do PC, e a alta expresión de LINC01094 indica unha escasa supervivencia dos pacientes con cancro de páncreas [16].O estudo presentado por Lin et al.Os estudos demostraron que a regulación á baixa do lncRNA FLVCR1-AS1 está asociada con mal prognóstico en pacientes con cancro de páncreas [17].Non obstante, os lncRNA relacionados coa inmunidade son relativamente menos discutidos en termos de predicción da supervivencia global dos pacientes con cancro.Recentemente, concentrouse unha gran cantidade de traballo na construción de modelos de risco pronóstico para prever a supervivencia dos pacientes con cancro e, así, axustar os métodos de tratamento [18, 19, 20].Hai un recoñecemento crecente do importante papel dos infiltrados inmunes na iniciación, progresión e resposta do cancro a tratamentos como a quimioterapia.Numerosos estudos confirmaron que as células inmunes que se infiltran no tumor xogan un papel crítico na resposta á quimioterapia citotóxica [21, 22, 23].O microambiente inmune do tumor é un factor importante na supervivencia dos pacientes con tumor [24, 25].A inmunoterapia, especialmente a terapia ICI, úsase amplamente no tratamento de tumores sólidos [26].Os xenes relacionados co sistema inmune úsanse amplamente para construír modelos de risco prognóstico.Por exemplo, Su et al.O modelo de risco prognóstico relacionado co sistema inmunitario baséase en xenes codificadores de proteínas para predecir o prognóstico das pacientes con cancro de ovario [27].Os xenes non codificantes como os lncRNA tamén son axeitados para construír modelos de risco prognóstico [28, 29, 30].Luo et al probaron catro lncRNA relacionados co sistema inmunitario e construíron un modelo preditivo para o risco de cancro cervical [31].Khan et al.Identificáronse un total de 32 transcricións expresadas de forma diferencial e, en base a isto, estableceuse un modelo de predición con 5 transcricións significativas, que se propuxo como unha ferramenta moi recomendable para predicir o rexeitamento agudo comprobado por biopsia tras un transplante de ril [32].
A maioría destes modelos baséanse nos niveis de expresión xénica, xa sexan xenes codificantes de proteínas ou xenes non codificantes.Non obstante, un mesmo xene pode ter diferentes valores de expresión en diferentes xenomas, formatos de datos e en diferentes pacientes, o que leva a estimacións inestables en modelos preditivos.Neste estudo, construímos un modelo razoable con dous pares de lncRNAs, independentes dos valores de expresión exactos.
Neste estudo, identificamos irlncRNA por primeira vez mediante a análise de correlación con xenes relacionados coa inmunidade.Analizamos 223 DEirlncRNAs mediante hibridación con lncRNAs expresados de forma diferencial.En segundo lugar, construímos unha matriz 0 ou 1 baseada no método de emparellamento DEirlncRNA publicado [31].Despois realizamos análises de regresión univariada e lazo para identificar pares de DEirlncRNA pronósticos e construír un modelo de risco preditivo.Analizamos ademais a asociación entre as puntuacións de risco e as características clínicas en pacientes con PAAD.Descubrimos que o noso modelo de risco pronóstico, como factor pronóstico independente en pacientes con PAAD, pode diferenciar eficazmente os pacientes de alto grao dos pacientes de baixo grao e os pacientes de alto grao dos pacientes de baixo grao.Ademais, os valores AUC da curva ROC do modelo de risco prognóstico foron 0,905 para a previsión a 1 ano, 0,942 para a previsión a 2 anos e 0,966 para a previsión a 3 anos.
Os investigadores informaron que os pacientes con maior infiltración de células T CD8+ eran máis sensibles ao tratamento con ICI [33].Un aumento do contido de células citotóxicas, células NK CD56, células NK e células T CD8+ no microambiente inmune do tumor pode ser unha das razóns do efecto supresor do tumor [34].Estudos anteriores demostraron que os niveis máis altos de CD4(+) T e CD8(+) T infiltrados no tumor estaban asociados significativamente cunha supervivencia máis longa [35].A mala infiltración de células T CD8, a baixa carga de neoantíxenos e un microambiente tumoral altamente inmunosupresor conducen á falta de resposta á terapia ICI [36].Descubrimos que a puntuación de risco estaba correlacionada negativamente coas células T CD8+ e as células NK, o que indica que os pacientes con puntuacións de alto risco poden non ser axeitados para o tratamento con ICI e ter un peor prognóstico.
CD161 é un marcador de células asasinas naturais (NK).As células T transducidas con CAR CD8+CD161+ median unha eficacia antitumoral in vivo mellorada en modelos de xenoinjerto de adenocarcinoma ductal pancreático HER2+ [37].Os inhibidores do punto de control inmunitario teñen como obxectivo a proteína 4 asociada aos linfocitos T citotóxicos (CTLA-4) e a proteína de morte celular programada 1 (PD-1)/ligando de morte celular programada 1 (PD-L1) e teñen un gran potencial en moitas áreas.A expresión de CTLA-4 e CD161 (KLRB1) é menor nos grupos de alto risco, o que indica ademais que os pacientes con puntuacións de alto risco poden non ser elixibles para o tratamento con ICI.[38]
Para atopar opcións de tratamento adecuadas para pacientes de alto risco, analizamos varios fármacos contra o cancro e descubrimos que paclitaxel, sorafenib e erlotinib, que se usan amplamente en pacientes con PAAD, poden ser axeitados para pacientes de alto risco con PAAD.[33].Zhang et al descubriron que as mutacións en calquera vía de resposta ao dano no ADN (DDR) poden levar a un mal prognóstico en pacientes con cancro de próstata [39].O ensaio Pancreatic Cancer Olaparib Ongoing (POLO) mostrou que o tratamento de mantemento con olaparib prolongou a supervivencia sen progresión en comparación co placebo despois da quimioterapia de primeira liña baseada en platino en pacientes con adenocarcinoma ductal pancreático e mutacións BRCA1/2 da liña xerminal [40].Isto proporciona un optimismo significativo de que os resultados do tratamento mellorarán significativamente neste subgrupo de pacientes.Neste estudo, o valor IC50 de AZD.2281 (olaparib) foi maior no grupo de alto risco, o que indica que os pacientes con PAAD do grupo de alto risco poden ser resistentes ao tratamento con AZD.2281.
Os modelos de previsión deste estudo producen bos resultados de previsión, pero baséanse en previsións analíticas.Como confirmar estes resultados con datos clínicos é unha cuestión importante.A ecografía endoscópica por aspiración con agulla fina (EUS-FNA) converteuse nun método indispensable para diagnosticar lesións pancreáticas sólidas e extrapancreáticas cunha sensibilidade do 85% e unha especificidade do 98% [41].A aparición das agullas de biopsia con agulla fina (EUS-FNB) baséase principalmente nas vantaxes percibidas sobre a FNA, como unha maior precisión diagnóstica, a obtención de mostras que preservan a estrutura histolóxica e, polo tanto, a xeración de tecido inmunitario que é fundamental para certos diagnósticos.tinción especial [42].Unha revisión sistemática da literatura confirmou que as agullas FNB (especialmente 22G) demostran a maior eficiencia na recollida de tecidos das masas pancreáticas [43].Clínicamente, só un pequeno número de pacientes son elixibles para a cirurxía radical e a maioría dos pacientes teñen tumores inoperables no momento do diagnóstico inicial.Na práctica clínica, só unha pequena proporción dos pacientes son aptas para a cirurxía radical porque a maioría dos pacientes teñen tumores inoperables no momento do diagnóstico inicial.Despois da confirmación patolóxica por EUS-FNB e outros métodos, adoita optar por un tratamento normalizado non cirúrxico como a quimioterapia.O noso programa de investigación posterior é probar o modelo pronóstico deste estudo en cohortes cirúrxicas e non cirúrxicas mediante unha análise retrospectiva.
En xeral, o noso estudo estableceu un novo modelo de risco prognóstico baseado no ARNcnc pareado, que mostrou un valor pronóstico prometedor en pacientes con cancro de páncreas.O noso modelo de risco pronóstico pode axudar a diferenciar os pacientes con PAAD que son axeitados para o tratamento médico.
Os conxuntos de datos utilizados e analizados no estudo actual están dispoñibles do autor correspondente previa solicitude razoable.
Sui Wen, Gong X, Zhuang Y. O papel mediador da autoeficacia na regulación emocional das emocións negativas durante a pandemia de COVID-19: un estudo transversal.Int J Ment Health Nurs [artigo de revista].2021 06/01/2021;30(3):759–71.
Sui Wen, Gong X, Qiao X, Zhang L, Cheng J, Dong J, et al.Opinións dos familiares sobre a toma de decisións alternativas nas unidades de coidados intensivos: unha revisión sistemática.INT J NURS STUD [artigo de revista;revisión].2023 01/01/2023;137:104391.
Vincent A, Herman J, Schulich R, Hruban RH, Goggins M. Cancro de páncreas.Lanceta.[Artigo de revista;apoio á investigación, NIH, extramuros;apoio á investigación, goberno fóra dos EUA;revisión].2011 13/08/2011;378(9791):607–20.
Ilic M, Ilic I. Epidemioloxía do cancro de páncreas.Revista Mundial de Gastroenteroloxía.[Artigo de revista, recensión].2016 28/11/2016;22(44):9694–705.
Liu X, Chen B, Chen J, Sun S. Un novo nomograma relacionado con tp53 para predecir a supervivencia global en pacientes con cancro de páncreas.BMC Cancer [artigo da revista].2021 31-03-2021;21(1):335.
Xian X, Zhu X, Chen Y, Huang B, Xiang W. Efecto da terapia enfocada na solución sobre a fatiga relacionada co cancro en pacientes con cancro colorrectal que reciben quimioterapia: un ensaio controlado aleatorizado.Enfermeira de cancro.[Artigo de revista;ensaio controlado aleatorizado;o estudo está apoiado por un goberno fóra dos Estados Unidos].2022 05/01/2022;45(3):E663–73.
Zhang Cheng, Zheng Wen, Lu Y, Shan L, Xu Dong, Pan Y, et al.Os niveis de antíxeno carcinoembrionario postoperatorio (CEA) predicen o resultado despois da resección do cancro colorrectal en pacientes con niveis normais de CEA preoperatorio.Centro de Investigación Translacional do Cancro.[Artigo da revista].2020 01.01.2020;9(1):111–8.
Hong Wen, Liang Li, Gu Yu, Qi Zi, Qiu Hua, Yang X, et al.Os lncRNA relacionados co sistema inmune xeran novas firmas e predicen a paisaxe inmune do carcinoma hepatocelular humano.Mol Ther Nucleic acids [Artigo de revista].2020 2020-12-04;22:937 – 47.
Toffey RJ, Zhu Y., Schulich RD Inmunoterapia para o cancro de páncreas: barreiras e avances.Ann Gastrointestinal Surgeon [Artigo de revista;revisión].2018 01/07/2018;2(4):274–81.
Hull R, Mbita Z, Dlamini Z. Longos ARN non codificantes (LncRNAs), xenómica de tumores virais e eventos de splicing aberrantes: implicacións terapéuticas.AM J CANCER RES [artigo de revista;revisión].2021 20/01/2021;11(3):866–83.
Wang J, Chen P, Zhang Y, Ding J, Yang Y, Li H. 11-Identificación de sinaturas de lncRNA asociadas ao prognóstico do cancro de endometrio.Logros da ciencia [artigo de revista].2021 2021-01-01;104(1):311977089.
Jiang S, Ren H, Liu S, Lu Z, Xu A, Qin S, et al.Análise exhaustiva de xenes pronósticos de proteínas de unión ao ARN e candidatos a fármacos no carcinoma de células renales de células papilares.prexen.[Artigo da revista].2021 01/20/2021;12:627508.
Li X, Chen J, Yu Q, Huang X, Liu Z, Wang X, et al.As características do ARN longo non codificante relacionado coa autofaxia predicen o prognóstico do cancro de mama.prexen.[Artigo da revista].2021 01/20/2021;12:569318.
Zhou M, Zhang Z, Zhao X, Bao S, Cheng L, Sun J. A sinatura de seis lncRNA relacionada co sistema inmune mellora o prognóstico no glioblastoma multiforme.MOL Neurobioloxía.[Artigo da revista].2018 01.05.2018;55(5):3684–97.
Wu B, Wang Q, Fei J, Bao Y, Wang X, Song Z, et al.Unha nova sinatura de tri-lncRNA prevé a supervivencia dos pacientes con cancro de páncreas.REPRESENTANTES DA ONKOL.[Artigo da revista].2018 12/01/2018;40(6):3427–37.
Luo C, Lin K, Hu C, Zhu X, Zhu J, Zhu Z. LINC01094 promove a progresión do cancro de páncreas regulando a expresión de LIN28B e a vía PI3K/AKT a través do miR-577 esponxado.Mol Therapeutics – Ácidos nucleicos.2021;26:523–35.
Lin J, Zhai X, Zou S, Xu Z, Zhang J, Jiang L, et al.A retroalimentación positiva entre o lncRNA FLVCR1-AS1 e KLF10 pode inhibir a progresión do cancro de páncreas pola vía PTEN/AKT.J EXP Clin Cancer Res.2021;40(1).
Zhou X, Liu X, Zeng X, Wu D, Liu L. Identificación de trece xenes que predicen a supervivencia global no carcinoma hepatocelular.Biosci Rep [artigo de revista].2021 04/09/2021.
Hora de publicación: 22-09-2023