O cancro de páncreas é un dos tumores máis mortíferos do mundo, cun prognóstico desfavorable. Polo tanto, necesítase un modelo de predición preciso para identificar os pacientes con alto risco de cancro de páncreas para adaptar o tratamento e mellorar o prognóstico destes pacientes.
Obtivemos datos de RNAseq de adenocarcinoma pancreático (PAAD) do Atlas do Xenoma do Cancro (TCGA) da base de datos Xena da UCSC, identificamos lncRNAs relacionados co sistema inmunitario (irlncRNA) mediante análise de correlación e identificamos diferenzas entre o TCGA e os tecidos de adenocarcinoma pancreático normal. DEirlncRNA) do TCGA e a expresión tisular xenotípica (GTEx) do tecido pancreático. Realizáronse máis análises univariante e de regresión de lasso para construír modelos de sinatura prognóstica. Despois calculamos a área baixo a curva e determinamos o valor de corte óptimo para identificar pacientes con adenocarcinoma pancreático 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 prognóstica ten un rendemento significativo na predicción do prognóstico dos pacientes con PAAD. A 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 tiveron taxas de supervivencia máis baixas e peores características clínicas. Tamén demostramos que os pacientes de alto risco están inmunosuprimidos e poden desenvolver resistencia á inmunoterapia. A avaliación de fármacos anticanceríxenos como paclitaxel, sorafenib e erlotinib baseada en ferramentas de predición computacional pode ser axeitada para pacientes de alto risco con PAAD.
En xeral, o noso estudo estableceu un novo modelo de risco prognóstico baseado no irlncRNA emparellado, que mostrou un valor prognóstico prometedor en pacientes con cancro de páncreas. O noso modelo de risco prognóstico 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 se atopan en estadios avanzados. No contexto da epidemia da COVID-19, os médicos e o persoal de enfermaría están baixo unha enorme presión ao tratar 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 fixeron grandes avances no tratamento dos adenocarcinomas de páncreas (DOAD), como a terapia neoadxuvante, a resección cirúrxica, a radioterapia, a quimioterapia, a terapia molecular dirixida e os inhibidores dos puntos de control inmunitario (ICI), só arredor do 9 % dos pacientes sobreviven cinco anos despois do diagnóstico [3], 4]. Debido a que os primeiros síntomas do adenocarcinoma de páncreas son atípicos, os pacientes adoitan ser diagnosticados con metástases nun estadio avanzado [5]. Polo tanto, para un paciente determinado, un tratamento integral individualizado debe sopesar as vantaxes e as desvantaxes 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 dun paciente [7]. Deste xeito, pódese seleccionar o tratamento axeitado para equilibrar a supervivencia e a calidade de vida dos pacientes con PAAD.
O mal prognóstico da PAAD débese principalmente á resistencia aos fármacos quimioterápicos. Nos últimos anos, os inhibidores dos puntos 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 os pacientes que se poidan beneficiar da terapia con ICI.
O ARN longo non codificante (ARNlnc) é un tipo de ARN non codificante con transcritos >200 nucleótidos. Os ARNlnc están moi estendidos e constitúen arredor do 80 % do transcriptoma humano [10]. Un gran conxunto de traballos demostrou que os modelos de prognóstico baseados en ARNlnc poden predicir eficazmente o prognóstico do paciente [11, 12]. Por exemplo, identificáronse 18 ARNlnc relacionados coa autofaxia para xerar sinaturas prognósticas no cancro de mama [13]. Outros seis ARNlnc relacionados co sistema inmunitario utilizáronse para establecer as características prognósticas do glioma [14].
No cancro de páncreas, algúns estudos estableceron sinaturas baseadas en lncRNA para predicir o prognóstico dos pacientes. Estableceuse unha sinatura de 3-lncRNA no adenocarcinoma pancreático cunha área baixo a curva ROC (AUC) de só 0,742 e unha supervivencia global (SG) de 3 anos [15]. Ademais, os valores de expresión de lncRNA varían entre diferentes xenomas, diferentes formatos de datos e diferentes pacientes, e o rendemento do modelo preditivo é inestable. Polo tanto, empregamos un novo algoritmo de modelado, emparellamento e iteración, para xerar sinaturas de lncRNA relacionadas coa inmunidade (irlncRNA) para crear un modelo preditivo máis preciso e estable [8].
Os datos de RNAseq normalizados (FPKM) e os datos de TCGA e expresión tisular xenotípica (GTEx) do cancro de páncreas clínico obtivéronse da base de datos XENA da UCSC (https://xenabrowser.net/datapages/). Os ficheiros GTF obtivéronse da base de datos Ensembl (http://asia.ensembl.org) e usáronse 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 lncRNA relacionados coa inmunidade (irlncRNAs) mediante 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 xa foi descrito previamente [8]. Especificamente, construímos X para substituír o lncRNA emparellado A e o lncRNA B. Cando o valor de expresión do lncRNA A é maior que o valor de expresión do lncRNA B, X defínese como 1; en caso contrario, 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 unha análise de regresión univariante seguida de regresión Lasso para cribar pares de DEirlncRNA prognósticos. A análise de regresión Lasso utilizou unha validación cruzada de 10 veces repetida 1000 veces (p < 0,05), con 1000 estímulos aleatorios por execución. Cando a frecuencia de cada par de DEirlncRNA superou as 100 veces en 1000 ciclos, seleccionáronse pares de DEirlncRNA para construír un modelo de risco prognóstico. Despois, utilizamos a curva AUC para atopar o valor de corte óptimo para clasificar os pacientes con PAAD en grupos de alto e baixo risco. O valor da AUC de cada modelo tamén se calculou e representou como unha curva. Se a curva alcanza o punto máis alto que indica o valor máximo da AUC, o proceso de cálculo detense e o modelo considérase o mellor candidato. Construíronse modelos de curva ROC de 1, 3 e 5 anos. Utilizáronse análises de regresión univariante e multivariante para examinar o rendemento preditivo independente do modelo de risco prognóstico.
Empregáronse 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 inmunitarias descargáronse da base de datos TIMER2 (http://timer.comp-genomics.org/#tab-5817-3). A diferenza no contido de células inmunitarias entre os grupos de alto e baixo risco do modelo construído analizouse mediante a proba de rangos con signo de Wilcoxon, cuxos resultados móstranse no gráfico cadrado. Realizouse unha análise de correlación de Spearman para analizar a relación entre os valores da puntuación de risco e as células inmunitarias. O coeficiente de correlación resultante móstrase como unha piruleta. O limiar de significancia estableceuse en p < 0,05. O procedemento realizouse mediante 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 gráfico de violín.
Para avaliar os patróns de tratamento clínico para o cancro de páncreas, calculamos o IC50 dos fármacos quimioterapéuticos de uso común na cohorte TCGA-PAAD. As diferenzas nas concentracións inhibitorias da metade (IC50) entre os grupos de alto e baixo risco comparáronse mediante a proba de rangos con signo de Wilcoxon, e os resultados móstranse como diagramas de caixa xerados mediante pRRophetic e ggplot2 en R. Todos os métodos cumpren coas directrices e normas pertinentes.
O fluxo de traballo do noso estudo móstrase na Figura 1. Usando a análise de correlación entre os lncRNA e os xenes relacionados coa inmunidade, seleccionamos 724 irlncRNA con p < 0,01 e r > 0,4. A continuación, analizamos os lncRNA expresados diferencialmente de GEPIA2 (Figura 2A). Un total de 223 irlncRNA expresáronse diferencialmente entre o adenocarcinoma pancreático e o tecido pancreático normal (|logFC| > 1, FDR < 0,05), denominados DEirlncRNA.
Construción de modelos de risco preditivo. (A) Diagrama de volcán de lncRNAs expresados diferencialmente. (B) Distribución dos coeficientes de lasso para 20 pares de DEirlncRNA. (C) Varianza de verosimilitude parcial da distribución do coeficiente LASSO. (D) Diagrama de bosque que mostra a análise de regresión univariante de 20 pares de DEirlncRNA.
A continuación, construímos unha matriz de 0 ou 1 emparellando 223 DEirlncRNA. Identificáronse un total de 13.687 pares de DEirlncRNA. Tras a análise de regresión univariante e de Lasso, finalmente probáronse 20 pares de DEirlncRNA para construír un modelo de risco prognóstico (Figura 2B-D). Baseándonos nos resultados da análise de regresión Lasso e múltiple, calculamos unha puntuación de risco para cada paciente da cohorte TCGA-PAAD (Táboa 1). Baseándonos nos resultados da análise de regresión Lasso, calculamos unha puntuación de risco para cada paciente da cohorte TCGA-PAAD. A 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, estratificamos os pacientes da cohorte TCGA-PAAD en grupos de alto e baixo risco e representamos gráficamente os resultados de supervivencia e as distribucións da 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 no 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 prognóstico ROC a 1, 2 e 3 anos. (C) ROC do modelo de risco prognóstico. Mostra o punto de corte óptimo. (DE) Distribución do estado de supervivencia (D) e as puntuacións de risco (E). (F) Análise de Kaplan-Meier de pacientes con DAAP en grupos de alto e baixo risco.
Ademais, avaliamos as diferenzas nas puntuacións de risco segundo as características clínicas. O gráfico de bandas (Figura 4A) mostra a relación xeral entre as características clínicas e as puntuacións de risco. En particular, os pacientes de máis idade 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 tumoral en pacientes con PAAD, os pacientes de grao 3 tiñan puntuacións de risco máis altas que os pacientes de grao 1 e 2 (Figura 4D). Ademais, realizamos análises de regresión univariante e multivariante e demostramos que a puntuación de risco (p < 0,001) e a idade (p = 0,045) eran factores prognósticos independentes en pacientes con PAAD (Figura 5A-B). A curva ROC demostrou que a puntuación de risco era superior a outras características clínicas á hora de predicir a supervivencia a 1, 2 e 3 anos dos pacientes con PAAD (Figura 5C-E).
Características clínicas dos modelos de risco prognóstico. O histograma (A) mostra (B) idade, (C) estadio tumoral, (D) grao tumoral, puntuación de risco e sexo dos pacientes na cohorte TCGA-PAAD. **p < 0,01
Análise preditiva independente de modelos de risco prognóstico. (AB) Análises de regresión univariante (A) e multivariante (B) de modelos de risco prognóstico e características clínicas. (CE) ROC a 1, 2 e 3 anos para modelos de risco prognóstico e características clínicas.
Polo tanto, examinamos a relación entre o tempo e as puntuacións de risco. Descubrimos que a puntuación de risco nos pacientes con PAAD estaba inversamente correlacionada coas células T CD8+ e as células NK (Figura 6A), o que indica unha función inmunitaria 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 dos puntos 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 dos puntos de control inmunitario nos 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 no grupo de baixo risco poden ser sensibles ao ICI.
Análise de correlación do modelo de risco prognóstico e a infiltración de células inmunitarias. (A) Correlación entre o modelo de risco prognóstico e a infiltración de células inmunitarias. (BG) Indica a expresión xénica en grupos de alto e baixo risco. (HK) Valores de IC50 para fármacos anticanceríxenos específicos 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 quimioterapéuticos comúns na cohorte TCGA-PAAD. Buscamos fármacos anticanceríxenos de uso común no cancro de páncreas e analizamos as diferenzas nos seus valores de CI50 entre os grupos de alto e baixo risco. Os resultados mostraron que o valor de CI50 de AZD.2281 (olaparib) foi maior no grupo de alto risco, o que indica que os pacientes con PAAD no grupo de alto risco poden ser resistentes ao tratamento con AZD.2281 (Figura 6H). Ademais, os valores de CI50 de paclitaxel, sorafenib e erlotinib foron máis baixos no grupo de alto risco (Figura 6I-K). Ademais, identificamos 34 fármacos anticanceríxenos con valores de CI50 máis altos no grupo de alto risco e 34 fármacos anticanceríxenos con valores de CI50 máis baixos no grupo de alto risco (Táboa 2).
Non se pode negar que os lncRNA, os mRNA e os miRNA existen amplamente e desempeñan un papel crucial no desenvolvemento do cancro. Existen amplas evidencias que apoian o importante papel do mRNA ou miRNA na predicción da supervivencia global en varios tipos de cancro. Sen dúbida, moitos modelos de risco prognóstico tamén se basean nos lncRNA. Por exemplo, Luo et al. Algúns estudos demostraron que o LINC01094 desempeña un papel clave na proliferación e metástase do cancro de páncreas, e a alta expresión do LINC01094 indica unha mala supervivencia dos pacientes con cancro de páncreas [16]. O estudo presentado por Lin et al. Algúns estudos demostraron que a regulación á baixa do lncRNA FLVCR1-AS1 está asociada a un 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, unha gran cantidade de traballo centrouse na construción de modelos de risco prognóstico para predicir a supervivencia dos pacientes con cancro e, polo tanto, axustar os métodos de tratamento [18, 19, 20]. Existe un recoñecemento crecente do importante papel dos infiltrados inmunitarios no inicio, progresión e resposta do cancro a tratamentos como a quimioterapia. Numerosos estudos confirmaron que as células inmunitarias que se infiltran no tumor desempeñan un papel fundamental na resposta á quimioterapia citotóxica [21, 22, 23]. O microambiente inmunitario tumoral é un factor importante na supervivencia das pacientes con tumores [24, 25]. A inmunoterapia, especialmente a terapia ICI, úsase amplamente no tratamento de tumores sólidos [26]. Os xenes relacionados co sistema inmunitario 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 codificantes de proteínas para predicir 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 de colo de útero [31]. Khan et al. Identificáronse un total de 32 transcritos con expresión diferencial e, baseándose nisto, estableceuse un modelo de predición con 5 transcritos significativos, que se propuxo como unha ferramenta moi recomendable para predicir o rexeitamento agudo confirmado por biopsia despois dun transplante renal [32].
A maioría destes modelos baséanse nos niveis de expresión xénica, xa sexa en xenes codificantes de proteínas ou en xenes non codificantes. Non obstante, o mesmo xene pode ter diferentes valores de expresión en diferentes xenomas, formatos de datos e en diferentes pacientes, o que leva a estimacións inestables nos modelos preditivos. Neste estudo, construímos un modelo razoable con dous pares de lncRNAs, independentes dos valores de expresión exactos.
Neste estudo, identificamos o irlncRNA por primeira vez mediante unha análise de correlación con xenes relacionados coa inmunidade. Examinamos 223 DEirlncRNA mediante hibridación con lncRNA expresados diferencialmente. En segundo lugar, construímos unha matriz 0 ou 1 baseada no método de emparellamento de DEirlncRNA publicado [31]. Despois, realizamos análises de regresión univariante e de lasso para identificar pares de DEirlncRNA prognósticos e construír un modelo de risco preditivo. Ademais, analizamos a asociación entre as puntuacións de risco e as características clínicas en pacientes con PAAD. Descubrimos que o noso modelo de risco prognóstico, como factor prognóstico 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 da 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 de que os pacientes con maior infiltración de células T CD8+ eran máis sensibles ao tratamento con ICI [33]. Un aumento no contido de células citotóxicas, células NK CD56, células NK e células T CD8+ no microambiente inmunitario do tumor pode ser unha das razóns do efecto supresor tumoral [34]. Estudos previos demostraron que os niveis máis altos de células T CD4(+) e CD8(+) infiltrantes de tumores estaban significativamente asociados cunha supervivencia máis longa [35]. Unha infiltración deficiente de células T CD8, unha baixa carga de neoantíxenos e un microambiente tumoral altamente inmunosupresor provocan a falta de resposta á terapia con 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 risco altas poden non ser axeitados para o tratamento con ICI e ter un peor prognóstico.
O CD161 é un marcador de células asasinas naturais (NK). As células T CD8+CD161+ transducidas por CAR median unha maior eficacia antitumoral in vivo en modelos de xenoenxerto de adenocarcinoma ductal pancreático HER2+ [37]. Os inhibidores de puntos de control inmunitarios teñen como obxectivo as vías da proteína 4 asociada aos linfocitos T citotóxicas (CTLA-4) e da proteína 1 da morte celular programada (PD-1)/ligando 1 da morte celular programada (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 aínda máis que os pacientes con puntuacións de alto risco poden non ser elixibles para o tratamento con ICI. [38]
Para atopar opcións de tratamento axeitadas para pacientes de alto risco, analizamos varios fármacos anticanceríxenos e descubrimos que o paclitaxel, o sorafenib e o 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 do 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 libre de progresión en comparación co placebo despois da quimioterapia baseada en platino de primeira liña en pacientes con adenocarcinoma ductal pancreático e mutacións xerminais BRCA1/2 [40]. Isto proporciona un optimismo significativo de que os resultados do tratamento mellorarán significativamente neste subgrupo de pacientes. Neste estudo, o valor da CI50 de AZD.2281 (olaparib) foi maior no grupo de alto risco, o que indica que os pacientes con PAAD no 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 chegada das agullas de biopsia con agulla fina EUS (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 de FNB (especialmente 22G) demostran a maior eficiencia na extracción de tecido de masas pancreáticas [43]. Clinicamente, 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 de pacientes son aptos para a cirurxía radical porque a maioría dos pacientes teñen tumores inoperables no momento do diagnóstico inicial. Tras a confirmación patolóxica mediante ecografía con ecografía con efecto fónico e outros métodos, adoita optarse por un tratamento non cirúrxico estandarizado, como a quimioterapia. O noso programa de investigación posterior consiste en probar o modelo de prognóstico 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 irlncRNA emparellado, que mostrou un valor prognóstico prometedor en pacientes con cancro de páncreas. O noso modelo de risco prognóstico pode axudar a diferenciar os pacientes con PAAD que son axeitados para o tratamento médico.
Os conxuntos de datos empregados e analizados no presente estudo están dispoñibles a través do autor correspondente se o solicitan con razoable certeza.
Sui Wen, Gong X, Zhuang Y. O papel mediador da autoeficacia na regulación emocional das emocións negativas durante a pandemia da 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 membros da familia 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. Lancet. [Artigo de revista; apoio á investigación, NIH, extramuros; apoio á investigación, goberno fóra dos Estados Unidos; revisión]. 2011 08/13/2011;378(9791):607–20.
Ilic M, Ilic I. Epidemioloxía do cancro de páncreas. Revista Mundial de Gastroenteroloxía. [Artigo de revista, revisión]. 2016 28/11/2016;22(44):9694–705.
Liu X, Chen B, Chen J, Sun S. Un novo nomograma relacionado con tp53 para predicir a supervivencia global en pacientes con cancro de páncreas. BMC Cancer [artigo de revista]. 2021 31-03-2021;21(1):335.
Xian X, Zhu X, Chen Y, Huang B, Xiang W. Efecto da terapia centrada en solucións sobre a fatiga relacionada co cancro en pacientes con cancro colorrectal que reciben quimioterapia: un ensaio controlado aleatorizado. Cancer nurse. [Artigo de revista; ensaio controlado aleatorizado; o estudo está financiado 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 posoperatorios de antíxeno carcinoembriónico (CEA) predicen o resultado despois da resección do cancro colorrectal en pacientes con niveis preoperatorios normais de CEA. Center for Translational Cancer Research. [Artigo de 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 inmunitario xeran novas sinaturas e predicen a paisaxe inmunitaria do carcinoma hepatocelular humano. Ácidos nucleicos de Mol Ther [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 07/01/2018;2(4):274–81.
Hull R, Mbita Z, Dlamini Z. ARN longos non codificantes (LncRNAs), xenómica tumoral viral e eventos de empalme aberrantes: implicacións terapéuticas. AM J CANCER RES [artigo de revista; revisión]. 2021 01/20/2021;11(3):866–83.
Wang J, Chen P, Zhang Y, Ding J, Yang Y, Li H. 11-Identificación de sinaturas de lncRNA asociadas co 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 dos xenes prognósticos de proteínas de unión ao ARN e dos candidatos a fármacos no carcinoma renal de células papilares. pregen. [Artigo de 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. pregen. [Artigo de 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 inmunitario mellora o prognóstico no glioblastoma multiforme. MOL Neurobiology. [Artigo de 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 predí a supervivencia de pacientes con cancro de páncreas. REPRESENTANTES DE ONKOL. [Artigo de 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 ao regular a expresión de LIN28B e a vía PI3K/AKT a través de miR-577 esponxoso. 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 o KLF10 pode inhibir a progresión do cancro de páncreas a través da 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.
Data de publicación: 22 de setembro de 2023