A hasnyálmirigyrák a világ egyik leghalálosabb daganata, rossz prognózissal. Ezért pontos predikciós modellre van szükség a hasnyálmirigyrák magas kockázatának kitett betegek azonosításához, a kezelés személyre szabásához és ezen betegek prognózisának javításához.
A UCSC Xena adatbázisból gyűjtöttük össze a The Cancer Genome Atlas (TCGA) hasnyálmirigy adenokarcinóma (PAAD) RNS-szekvenálási adatait, korrelációanalízissel azonosítottuk az immunrendszerrel kapcsolatos lncRNS-eket (irlncRNS-eket), és különbségeket azonosítottunk a TCGA és a normál hasnyálmirigy adenokarcinóma szövetek között. A TCGA-ból származó DEirlncRNS és a hasnyálmirigy szövet genotípus szöveti expressziója (GTEx) meghatározva. További egyváltozós és lasszó regressziós analíziseket végeztünk prognosztikai aláírás modellek felállításához. Ezután kiszámítottuk a görbe alatti területet, és meghatároztuk az optimális határértéket a magas és alacsony kockázatú hasnyálmirigy adenokarcinómában szenvedő betegek azonosításához. A klinikai jellemzők, az immunsejt-infiltráció, az immunszuppresszív mikro-környezet és a kemoterápiás rezisztencia összehasonlítása magas és alacsony kockázatú hasnyálmirigyrákos betegeknél.
20 DEirlncRNS párt azonosítottunk, és a betegeket az optimális határérték szerint csoportosítottuk. Bebizonyítottuk, hogy prognosztikai szignatúra modellünk jelentős teljesítményt nyújt a PAAD-ban szenvedő betegek prognózisának előrejelzésében. A ROC-görbe AUC-értéke 0,905 az 1 éves előrejelzés esetében, 0,942 a 2 éves előrejelzés esetében és 0,966 a 3 éves előrejelzés esetében. A magas kockázatú betegeknél alacsonyabb túlélési arány és rosszabb klinikai jellemzők voltak. Azt is kimutattuk, hogy a magas kockázatú betegek immunszuppresszáltak, és rezisztencia alakulhat ki az immunterápiával szemben. A rákellenes gyógyszerek, például a paklitaxel, a szorafenib és az erlotinib számítógépes előrejelző eszközökön alapuló értékelése megfelelő lehet a PAAD-ban szenvedő magas kockázatú betegek számára.
Összességében tanulmányunk egy új prognosztikai kockázati modellt hozott létre a párosított irlncRNS alapján, amely ígéretes prognosztikai értéket mutatott hasnyálmirigyrákos betegek esetében. Prognosztikai kockázati modellünk segíthet megkülönböztetni a PAAD-ban szenvedő betegeket, akik alkalmasak a gyógyszeres kezelésre.
A hasnyálmirigyrák egy rosszindulatú daganat, alacsony ötéves túlélési aránnyal és magas malignitási aránnyal. A diagnózis felállításakor a legtöbb beteg már előrehaladott stádiumban van. A COVID-19 járvány idején az orvosok és az ápolók óriási nyomás alatt állnak a hasnyálmirigyrákos betegek kezelése során, és a betegek családjai is többszörös nyomással szembesülnek a kezelési döntések meghozatalakor [1, 2]. Bár a DOAD-ok kezelésében jelentős előrelépések történtek, mint például a neoadjuváns terápia, a sebészeti reszekció, a sugárterápia, a kemoterápia, a célzott molekuláris terápia és az immuncheckpoint-gátlók (ICI-k), a betegeknek csak körülbelül 9%-a éli túl az öt évet a diagnózis után [3]. ], 4]. Mivel a hasnyálmirigy-adenokarcinóma korai tünetei atipikusak, a betegeknél általában előrehaladott stádiumban diagnosztizálnak áttéteket [5]. Ezért egy adott beteg esetében az egyénre szabott átfogó kezelésnek mérlegelnie kell az összes kezelési lehetőség előnyeit és hátrányait, nemcsak a túlélés meghosszabbítása, hanem az életminőség javítása érdekében is [6]. Ezért egy hatékony predikciós modell szükséges a beteg prognózisának pontos felméréséhez [7]. Így megfelelő kezelés választható ki a PAAD-ban szenvedő betegek túlélésének és életminőségének egyensúlyban tartására.
A PAAD rossz prognózisa főként a kemoterápiás gyógyszerekkel szembeni rezisztenciának tudható be. Az utóbbi években az immuncheckpoint-gátlókat széles körben alkalmazzák szilárd tumorok kezelésében [8]. Az ICI-k alkalmazása azonban hasnyálmirigyrákban ritkán sikeres [9]. Ezért fontos azonosítani azokat a betegeket, akiknél előnyös lehet az ICI-terápia.
A hosszú, nem kódoló RNS (lncRNS) egy olyan nem kódoló RNS-típus, amelynek transzkriptumai >200 nukleotid. Az lncRNS-ek széles körben elterjedtek, és az emberi transzkriptom körülbelül 80%-át teszik ki [10]. Számos kutatás kimutatta, hogy az lncRNS-alapú prognosztikai modellek hatékonyan képesek megjósolni a betegek prognózisát [11, 12]. Például 18 autofágiával kapcsolatos lncRNS-t azonosítottak, amelyek prognosztikai jellemzőket generálnak emlőrákban [13]. Hat másik immunrendszerrel kapcsolatos lncRNS-t használtak a glioma prognosztikai jellemzőinek megállapítására [14].
Hasnyálmirigyrák esetében egyes tanulmányok lncRNS-alapú szignatúrákat mutattak ki a betegek prognózisának előrejelzésére. Hasnyálmirigy-adenokarcinómában egy 3-lncRNS-szignatúrát állapítottak meg, amelynek ROC-görbe alatti területe (AUC) mindössze 0,742, a teljes túlélés (OS) pedig 3 év volt [15]. Ezenkívül az lncRNS expressziós értékei eltérőek a különböző genomok, a különböző adatformátumok és a különböző betegek között, és a prediktív modell teljesítménye instabil. Ezért egy új modellezési algoritmust, párosítást és iterációt alkalmaztunk immunitással kapcsolatos lncRNS (irlncRNS) szignatúrák generálására, hogy pontosabb és stabilabb prediktív modellt hozzunk létre [8].
A normalizált RNS-szekvencia adatokat (FPKM) és a klinikai hasnyálmirigyrák TCGA és genotípus szöveti expressziós (GTEx) adatokat az UCSC XENA adatbázisából (https://xenabrowser.net/datapages/) szereztük be. A GTF fájlokat az Ensembl adatbázisból (http://asia.ensembl.org) szereztük be, és az RNS-szekvencia lncRNS expressziós profiljainak kinyerésére használtuk. Az immunitással kapcsolatos géneket az ImmPort adatbázisból (http://www.immport.org) töltöttük le, és az immunitással kapcsolatos lncRNS-eket (irlncRNS-ek) korrelációanalízissel azonosítottuk (p < 0,001, r > 0,4). A differenciálisan expresszált irlncRNS-ek (DEirlncRNS-ek) azonosítása az irlncRNS-ek és a GEPIA2 adatbázisból (http://gepia2.cancer-pku.cn/#index) származó differenciálisan expresszált lncRNS-ek keresztezésével történt a TCGA-PAAD kohorszban (|logFC| > 1 és FDR) <0,05).
Erről a módszerről korábban már beszámoltak [8]. Konkrétan, az X-et úgy konstruáljuk, hogy az lncRNS A és lncRNS B párosát helyettesítse. Amikor az lncRNS A expressziós értéke magasabb, mint az lncRNS B expressziós értéke, X-et 1-nek, egyébként X-et 0-nak definiáljuk. Ezért egy 0 vagy –1 értékű mátrixot kaphatunk. A mátrix függőleges tengelye az egyes mintákat, a vízszintes tengely pedig az egyes DEirlncRNS párt jelöli, 0 vagy 1 értékkel.
A prognosztikai DEirlncRNS-párok szűrésére egyváltozós regresszióanalízist, majd Lasso regressziót alkalmaztunk. A lasso regresszióanalízis 10-szeres keresztvalidációt alkalmazott, 1000-szer megismételve (p < 0,05), 1000 véletlenszerű ingerrel futtatásonként. Amikor az egyes DEirlncRNS-párok gyakorisága 1000 ciklus alatt meghaladta a 100-szoros értéket, a DEirlncRNS-párokat kiválasztottuk egy prognosztikai kockázati modell felépítéséhez. Ezután az AUC-görbét használtuk a PAAD-betegek magas és alacsony kockázatú csoportokba sorolásának optimális határértékének megtalálására. Az egyes modellek AUC-értékét is kiszámítottuk és görbeként ábrázoltuk. Ha a görbe eléri a maximális AUC-értéket jelző legmagasabb pontot, a számítási folyamat leáll, és a modellt tekintjük a legjobb jelöltnek. 1, 3 és 5 éves ROC-görbe modelleket készítettünk. Egyváltozós és többváltozós regresszióanalíziseket alkalmaztunk a prognosztikai kockázati modell független prediktív teljesítményének vizsgálatára.
Hét eszközt használtunk az immunsejtek infiltrációjának arányának vizsgálatához, beleértve az XCELL, TIMER, QUANTISEQ, MCPCOUNTER, EPIC, CIBERSORT-ABS és CIBERSORT programokat. Az immunsejt-infiltrációs adatokat a TIMER2 adatbázisból (http://timer.comp-genomics.org/#tab-5817-3) töltöttük le. A konstruált modell magas és alacsony kockázatú csoportjai közötti immuninfiltráló sejtek tartalmának különbségét Wilcoxon előjeles rangteszttel elemeztük, az eredményeket négyzetes grafikonon mutatjuk be. Spearman korrelációanalízist végeztünk a kockázati pontszámértékek és az immuninfiltráló sejtek közötti kapcsolat elemzésére. A kapott korrelációs együtthatót nyalókaként ábrázoltuk. A szignifikanciaküszöböt p < 0,05-re állítottuk be. Az eljárást a ggplot2 R csomaggal végeztük. A modell és az immunsejtek infiltrációjának arányával összefüggő génexpressziós szintek közötti kapcsolat vizsgálatához a ggstatsplot csomagot és a Violin Plot vizualizációt használtuk.
A hasnyálmirigyrák klinikai kezelési mintázatainak értékeléséhez kiszámítottuk a TCGA-PAAD kohorszban gyakran használt kemoterápiás gyógyszerek IC50-értékét. A magas és alacsony kockázatú csoportok közötti fél-gátló koncentrációk (IC50) különbségeit Wilcoxon előjeles rangteszttel hasonlítottuk össze, és az eredményeket pRRophetic és ggplot2 segítségével generált dobozdiagramokként mutatjuk be R-ben. Minden módszer megfelel a vonatkozó irányelveknek és normáknak.
Tanulmányunk munkafolyamatát az 1. ábra mutatja be. Az lncRNS-ek és az immunitással kapcsolatos gének közötti korrelációanalízis segítségével 724 irlncRNS-t választottunk ki, p < 0,01 és r > 0,4 értékkel. Ezután elemeztük a GEPIA2 eltérően expresszált lncRNS-eit (2A. ábra). Összesen 223 irlncRNS expressziója mutatkozott eltérően a hasnyálmirigy-adenokarcinóma és a normál hasnyálmirigy-szövet között (|logFC| > 1, FDR < 0,05), ezeket DEirlncRNS-eknek neveztük el.
Prediktív kockázati modellek felépítése. (A) Differenciálisan expresszált lncRNS-ek vulkándiagramja. (B) 20 DEirlncRNS-pár lasso-együtthatók eloszlása. (C) A LASSO-együttható eloszlás parciális valószínűségi varianciája. (D) 20 DEirlncRNS-pár egyváltozós regresszióanalízisét bemutató erdődiagram.
Ezután egy 0 vagy 1 mátrixot konstruáltunk 223 DEirlncRNS párosításával. Összesen 13 687 DEirlncRNS párt azonosítottunk. Egyváltozós és lasso regresszióanalízis után végül 20 DEirlncRNS párt teszteltünk egy prognosztikai kockázati modell felépítéséhez (2B-D ábra). A lasso és a többszörös regresszióanalízis eredményei alapján kiszámítottuk a TCGA-PAAD kohorsz minden betegére a kockázati pontszámot (1. táblázat). A lasso regresszióanalízis eredményei alapján kiszámítottuk a TCGA-PAAD kohorsz minden betegére a kockázati pontszámot. A ROC görbe AUC értéke 0,905 volt az 1 éves kockázati modell predikciójánál, 0,942 a 2 éves predikciónál és 0,966 a 3 éves predikciónál (3A-B ábra). 3,105-ös optimális határértéket határoztunk meg, a TCGA-PAAD kohorsz betegeit magas és alacsony kockázatú csoportokba rétegeztük, és ábrázoltuk az egyes betegek túlélési eredményeit és kockázati pontszám eloszlását (3C-E. ábra). A Kaplan-Meier-analízis kimutatta, hogy a PAAD-betegek túlélése a magas kockázatú csoportban szignifikánsan alacsonyabb volt, mint az alacsony kockázatú csoportban lévő betegeké (p < 0,001) (3F. ábra).
A prognosztikai kockázati modellek érvényessége. (A) A prognosztikai kockázati modell ROC-ja. (B) 1, 2 és 3 éves ROC prognosztikai kockázati modellek. (C) A prognosztikai kockázati modell ROC-ja. Az optimális határértéket mutatja. (DE) A túlélési állapot (D) és a kockázati pontszámok (E) eloszlása. (F) PAAD-betegek Kaplan-Meier-analízise magas és alacsony kockázatú csoportokban.
Továbbá értékeltük a kockázati pontszámok közötti különbségeket klinikai jellemzők szerint. A szalagdiagram (4A. ábra) a klinikai jellemzők és a kockázati pontszámok közötti általános összefüggést mutatja. Különösen az idősebb betegeknél magasabb volt a kockázati pontszám (4B. ábra). Ezenkívül a II. stádiumú betegeknél magasabb volt a kockázati pontszám, mint az I. stádiumú betegeknél (4C. ábra). A PAAD-betegek tumorfokozatát tekintve a 3. stádiumú betegeknél magasabb volt a kockázati pontszám, mint az 1. és 2. stádiumú betegeknél (4D. ábra). Továbbá egyváltozós és többváltozós regressziós elemzéseket végeztünk, és kimutattuk, hogy a kockázati pontszám (p < 0,001) és az életkor (p = 0,045) független prognosztikai tényezők voltak a PAAD-ban szenvedő betegeknél (5A-B. ábra). A ROC-görbe azt mutatta, hogy a kockázati pontszám jobb volt, mint más klinikai jellemzők a PAAD-ban szenvedő betegek 1, 2 és 3 éves túlélésének előrejelzésében (5C-E. ábra).
A prognosztikai kockázati modellek klinikai jellemzői. A hisztogram (A) a TCGA-PAAD kohorszban lévő betegek (B) életkorát, (C) tumor stádiumát, (D) tumor fokozatát, kockázati pontszámát és nemét mutatja. **p < 0,01
Prognosztikai kockázati modellek független prediktív elemzése. (AB) Prognosztikai kockázati modellek és klinikai jellemzők egyváltozós (A) és többváltozós (B) regressziós elemzése. (CE) 1, 2 és 3 éves ROC a prognosztikai kockázati modellek és klinikai jellemzők esetében.
Ezért megvizsgáltuk az idő és a kockázati pontszámok közötti összefüggést. Azt tapasztaltuk, hogy a PAAD-betegek kockázati pontszáma fordítottan korrelált a CD8+ T-sejtekkel és az NK-sejtekkel (6A. ábra), ami a magas kockázatú csoportban az immunfunkció elnyomott szintjét jelzi. Megvizsgáltuk az immunsejtek infiltrációjának különbségét is a magas és az alacsony kockázatú csoportok között, és ugyanazokat az eredményeket kaptuk (7. ábra). A magas kockázatú csoportban kevesebb CD8+ T-sejt és NK-sejt infiltrációja volt megfigyelhető. Az elmúlt években az immunellenőrzőpont-gátlókat (ICI-ket) széles körben alkalmazták a szilárd tumorok kezelésében. Az ICI-k alkalmazása azonban hasnyálmirigyrákban ritkán volt sikeres. Ezért megvizsgáltuk az immunellenőrzőpont-gének expresszióját a magas és az alacsony kockázatú csoportokban. Azt tapasztaltuk, hogy a CTLA-4 és a CD161 (KLRB1) túltermelődött az alacsony kockázatú csoportban (6B-G. ábra), ami arra utal, hogy az alacsony kockázatú csoportba tartozó PAAD-betegek érzékenyek lehetnek az ICI-re.
A prognosztikai kockázati modell és az immunsejt-infiltráció korrelációanalízise. (A) A prognosztikai kockázati modell és az immunsejt-infiltráció közötti korreláció. (BG) A génexpressziót jelzi magas és alacsony kockázatú csoportokban. (HK) Az egyes rákellenes gyógyszerek IC50-értékei magas és alacsony kockázatú csoportokban. *p < 0,05, **p < 0,01, ns = nem szignifikáns
Továbbá vizsgáltuk a kockázati pontszámok és a gyakori kemoterápiás szerek közötti összefüggést a TCGA-PAAD kohorszban. Kerestünk hasnyálmirigyrákban gyakran alkalmazott rákellenes gyógyszereket, és elemeztük az IC50-értékeik közötti különbségeket a magas és alacsony kockázatú csoportok között. Az eredmények azt mutatták, hogy az AZD.2281 (olaparib) IC50-értéke magasabb volt a magas kockázatú csoportban, ami arra utal, hogy a magas kockázatú csoportba tartozó PAAD-betegek rezisztensek lehetnek az AZD.2281-kezelésre (6H. ábra). Ezenkívül a paklitaxel, a szorafenib és az erlotinib IC50-értékei alacsonyabbak voltak a magas kockázatú csoportban (6I-K. ábra). Továbbá 34 olyan rákellenes gyógyszert azonosítottunk, amelyek magasabb IC50-értékkel rendelkeztek a magas kockázatú csoportban, és 34 olyan rákellenes gyógyszert, amelyek alacsonyabb IC50-értékkel rendelkeztek a magas kockázatú csoportban (2. táblázat).
Tagadhatatlan, hogy az lncRNS-ek, mRNS-ek és miRNS-ek széles körben léteznek, és kulcsszerepet játszanak a rák kialakulásában. Bőséges bizonyíték támasztja alá az mRNS vagy miRNS fontos szerepét a teljes túlélés előrejelzésében számos ráktípus esetén. Kétségtelen, hogy számos prognosztikai kockázati modell is az lncRNS-eken alapul. Például Luo és munkatársai tanulmányai kimutatták, hogy a LINC01094 kulcsszerepet játszik a PC-proliferációban és -áttétek kialakulásában, és a LINC01094 magas expressziója a hasnyálmirigyrákos betegek rossz túlélését jelzi [16]. Lin és munkatársai által bemutatott tanulmány. Tanulmányok kimutatták, hogy az FLVCR1-AS1 lncRNS szabályozásának csökkentése rossz prognózissal jár a hasnyálmirigyrákos betegeknél [17]. Az immunitással kapcsolatos lncRNS-ekről azonban viszonylag kevesebb szó esik a rákos betegek teljes túlélésének előrejelzése szempontjából. Az utóbbi időben nagyszámú munka összpontosított prognosztikai kockázati modellek kidolgozására a rákos betegek túlélésének előrejelzésére, és ezáltal a kezelési módszerek módosítására [18, 19, 20]. Egyre inkább felismerik az immuninfiltrátumok fontos szerepét a rák kialakulásában, progressziójában és a kezelésekre, például a kemoterápiára adott válaszban. Számos tanulmány megerősítette, hogy a tumorba infiltrálódó immunsejtek kritikus szerepet játszanak a citotoxikus kemoterápiára adott válaszban [21, 22, 23]. A tumor immun mikrokörnyezete fontos tényező a tumoros betegek túlélésében [24, 25]. Az immunterápiát, különösen az ICI-terápiát, széles körben alkalmazzák a szilárd tumorok kezelésében [26]. Az immunrendszerrel kapcsolatos géneket széles körben használják prognosztikai kockázati modellek felépítéséhez. Például Su és munkatársai. Az immunrendszerrel kapcsolatos prognosztikai kockázati modell fehérjét kódoló géneken alapul, hogy megjósolják a petefészekrákos betegek prognózisát [27]. A nem kódoló gének, például az lncRNS-ek (hosszú távú nem szerkesztett RNS-ek) szintén alkalmasak prognosztikai kockázati modellek felépítésére [28, 29, 30]. Luo és munkatársai négy immunrendszerrel kapcsolatos lncRNS-t teszteltek, és egy prediktív modellt építettek fel a méhnyakrák kockázatára [31]. Khan és munkatársai. Összesen 32 differenciálisan expresszált transzkriptumot azonosítottak, és ennek alapján létrehoztak egy 5 szignifikáns transzkriptummal rendelkező predikciós modellt, amelyet a veseátültetés utáni biopsziával igazolt akut kilökődés előrejelzésére erősen ajánlott eszközként javasoltak [32].
Ezen modellek többsége génexpressziós szinteken alapul, akár fehérjét kódoló, akár nem kódoló géneken. Ugyanaz a gén azonban eltérő expressziós értékekkel rendelkezhet különböző genomokban, adatformátumokban és különböző betegekben, ami instabil becslésekhez vezet a prediktív modellekben. Ebben a tanulmányban egy ésszerű modellt építettünk két pár lncRNS-sel, függetlenül a pontos expressziós értékektől.
Ebben a tanulmányban elsőként azonosítottunk irlncRNS-t immunitással kapcsolatos génekkel való korrelációanalízissel. 223 DEirlncRNS-t szűrtünk differenciálisan expresszált lncRNS-ekkel végzett hibridizációval. Másodszor, egy 0 vagy 1 mátrixot készítettünk a publikált DEirlncRNS párosítási módszer [31] alapján. Ezután egyváltozós és lasszó regressziós analíziseket végeztünk prognosztikai DEirlncRNS-párok azonosítására és egy prediktív kockázati modell felállítására. Tovább elemeztük a kockázati pontszámok és a klinikai jellemzők közötti összefüggést PAAD-ban szenvedő betegeknél. Megállapítottuk, hogy prognosztikai kockázati modellünk, mint független prognosztikai tényező a PAAD-betegeknél, hatékonyan képes megkülönböztetni a magas malignitású betegeket az alacsony malignitású betegektől, valamint a magas malignitású betegeket az alacsony malignitású betegektől. Ezenkívül a prognosztikai kockázati modell ROC-görbéjének AUC-értékei 0,905 voltak az 1 éves előrejelzésnél, 0,942 a 2 éves előrejelzésnél és 0,966 a 3 éves előrejelzésnél.
A kutatók arról számoltak be, hogy a magasabb CD8+ T-sejt infiltrációval rendelkező betegek érzékenyebbek voltak az ICI-kezelésre [33]. A citotoxikus sejtek, a CD56 NK-sejtek, az NK-sejtek és a CD8+ T-sejtek tartalmának növekedése a tumor immun mikrokörnyezetében lehet az egyik oka a tumorszupresszív hatásnak [34]. Korábbi tanulmányok kimutatták, hogy a tumorba infiltrálódó CD4(+) T és CD8(+) T sejtek magasabb szintje szignifikánsan összefüggött a hosszabb túléléssel [35]. A rossz CD8 T-sejt infiltráció, az alacsony neoantigén terhelés és a magas immunszuppresszív tumor mikrokörnyezet az ICI-terápiára adott válasz hiányához vezet [36]. Megállapítottuk, hogy a kockázati pontszám negatív korrelációt mutatott a CD8+ T-sejtekkel és az NK-sejtekkel, ami azt jelzi, hogy a magas kockázati pontszámmal rendelkező betegek esetleg nem alkalmasak ICI-kezelésre, és rosszabb a prognózisuk.
A CD161 a természetes ölősejtek (NK) markere. A CD8+CD161+ CAR-transzdukált T-sejtek fokozott in vivo daganatellenes hatékonyságot mutatnak HER2+ hasnyálmirigy-duktális adenokarcinóma xenograft modellekben [37]. Az immuncheckpoint-gátlók a citotoxikus T-limfocita-asszociált protein 4 (CTLA-4) és a programozott sejthalál protein 1 (PD-1)/programozott sejthalál ligand 1 (PD-L1) útvonalakat célozzák meg, és számos területen nagy potenciállal rendelkeznek. A CTLA-4 és a CD161 (KLRB1) expressziója alacsonyabb a magas kockázatú csoportokban, ami azt jelzi, hogy a magas kockázatú betegek esetleg nem jogosultak ICI-kezelésre. [38]
A magas kockázatú betegek számára megfelelő kezelési lehetőségek felkutatása érdekében különféle rákellenes gyógyszereket elemeztünk, és azt találtuk, hogy a PAAD-ban szenvedő betegeknél széles körben alkalmazott paklitaxel, szorafenib és erlotinib alkalmasak lehetnek a PAAD-ban szenvedő magas kockázatú betegek számára. [33]. Zhang és munkatársai azt találták, hogy a DNS-károsodási válasz (DDR) bármely útvonalának mutációi rossz prognózishoz vezethetnek prosztatarákos betegeknél [39]. A Pancreatic Cancer Olaparib Ongoing (POLO) vizsgálat kimutatta, hogy az olaparibbal végzett fenntartó kezelés meghosszabbította a progressziómentes túlélést a placebóhoz képest az első vonalbeli platina alapú kemoterápia után hasnyálmirigy-duktális adenokarcinómában és csíravonal BRCA1/2 mutációban szenvedő betegeknél [40]. Ez jelentős optimizmusra ad okot arra vonatkozóan, hogy a kezelési eredmények jelentősen javulni fognak a betegek ezen alcsoportjában. Ebben a vizsgálatban az AZD.2281 (olaparib) IC50-értéke magasabb volt a magas kockázatú csoportban, ami azt jelzi, hogy a magas kockázatú csoportba tartozó PAAD-betegek rezisztensek lehetnek az AZD.2281-gyel végzett kezelésre.
A tanulmányban szereplő előrejelző modellek jó előrejelzési eredményeket produkálnak, de analitikus előrejelzéseken alapulnak. Fontos kérdés, hogy hogyan lehet ezeket az eredményeket klinikai adatokkal megerősíteni. Az endoszkópos finomtűs aspirációs ultrahangvizsgálat (EUS-FNA) nélkülözhetetlen módszerré vált a szilárd és extrapancreatikus hasnyálmirigy-elváltozások diagnosztizálásában, 85%-os érzékenységgel és 98%-os specificitással [41]. Az EUS finomtűs biopsziás (EUS-FNB) tűk megjelenése főként az FNA-val szembeni észlelt előnyökön alapul, mint például a nagyobb diagnosztikai pontosság, a szövettani szerkezetet megőrző minták vétele, és ezáltal bizonyos diagnózisok szempontjából kritikus immunszövet generálása. Speciális festés [42]. Az irodalom szisztematikus áttekintése megerősítette, hogy az FNB tűk (különösen a 22G) mutatják a legnagyobb hatékonyságot a szövetek hasnyálmirigy-tömegekből történő kinyerésében [43]. Klinikailag csak kis számú beteg alkalmas radikális műtétre, és a legtöbb betegnél a kezdeti diagnózis felállításakor inoperábilis daganat áll fenn. A klinikai gyakorlatban a betegeknek csak kis hányada alkalmas radikális műtétre, mivel a legtöbb betegnél a kezdeti diagnózis felállításakor inoperábilis daganat áll fenn. Az EUS-FNB és más módszerekkel végzett patológiai megerősítést követően általában standardizált, nem sebészeti kezelést, például kemoterápiát választunk. További kutatási programunk célja, hogy retrospektív elemzéssel teszteljük a vizsgálat prognosztikai modelljét sebészeti és nem sebészeti kohorszokban.
Összességében tanulmányunk egy új prognosztikai kockázati modellt hozott létre a párosított irlncRNS alapján, amely ígéretes prognosztikai értéket mutatott hasnyálmirigyrákos betegek esetében. Prognosztikai kockázati modellünk segíthet megkülönböztetni a PAAD-ban szenvedő betegeket, akik alkalmasak a gyógyszeres kezelésre.
A jelenlegi tanulmányban felhasznált és elemzett adatkészletek ésszerű kérésre a levelező szerzőtől elérhetők.
Sui Wen, Gong X, Zhuang Y. Az önhatékonyság közvetítő szerepe a negatív érzelmek érzelmi szabályozásában a COVID-19 világjárvány idején: keresztmetszeti vizsgálat. Int J Ment Health Nurs [folyóiratcikk]. 2021.06.01.;30(3):759–71.
Sui Wen, Gong X, Qiao X, Zhang L, Cheng J, Dong J és mások. Családtagok nézetei az alternatív döntéshozatalról intenzív osztályokon: szisztematikus áttekintés. INT J NURS STUD [magazincikk; áttekintés]. 2023 01/01/2023;137:104391.
Vincent A, Herman J, Schulich R, Hruban RH, Goggins M. Hasnyálmirigyrák. Lancet. [Folyóiratcikk; kutatási támogatás, NIH, külső forrásból; kutatási támogatás, az Egyesült Államokon kívüli kormányzat; áttekintés]. 2011.08.13.;378(9791):607–20.
Ilic M, Ilic I. A hasnyálmirigyrák epidemiológiája. World Journal of Gastroenterology. [Folyóiratcikk, áttekintés]. 2016. 11. 28. 2016;22(44):9694–705.
Liu X, Chen B, Chen J, Sun S. Új, tp53-hoz kapcsolódó nomogram a hasnyálmirigyrákos betegek teljes túlélésének előrejelzésére. BMC Cancer [folyóiratcikk]. 2021. 2021.03.31.;21(1):335.
Xian X, Zhu X, Chen Y, Huang B, Xiang W. A megoldásközpontú terápia hatása a rákkal összefüggő fáradtságra vastagbélrákban szenvedő, kemoterápiában részesülő betegeknél: randomizált, kontrollált vizsgálat. Onkológiai ápoló. [Folyóiratcikk; randomizált, kontrollált vizsgálat; a vizsgálatot egy Egyesült Államokon kívüli kormány támogatja]. 2022. 05. 01. 2022;45(3):E663–73.
Zhang Cheng, Zheng Wen, Lu Y, Shan L, Xu Dong, Pan Y és munkatársai. A posztoperatív karcinoembrionális antigén (CEA) szintje előre jelzi a vastagbélrák reszekciójának kimenetelét normális preoperatív CEA-szinttel rendelkező betegeknél. Center for Translational Cancer Research. [Folyóiratcikk]. 2020.01.01.2020;9(1):111–8.
Hong Wen, Liang Li, Gu Yu, Qi Zi, Qiu Hua, Yang X és mások. Az immunrendszerrel kapcsolatos hosszú távú nevén működő RNS-ek új jellegzetességeket generálnak és előrejelzik az emberi hepatocelluláris karcinóma immunrendszerének jellemzőit. Mol Ther Nucleic acids [Folyóiratcikk]. 2020 2020-12-04;22:937 – 47.
Toffey RJ, Zhu Y., Schulich RD Immunterápia hasnyálmirigyrák esetén: akadályok és áttörések. Ann Gastrointestinal Surgeon [Folyóiratcikk; áttekintés]. 2018.07.01.;2(4):274–81.
Hull R, Mbita Z, Dlamini Z. Hosszú, nem kódoló RNS-ek (LncRNS-ek), vírusos tumorgenomika és aberráns splicing események: terápiás vonatkozások. AM J CANCER RES [folyóiratcikk; áttekintés]. 2021.01.20.;11(3):866–83.
Wang J, Chen P, Zhang Y, Ding J, Yang Y, Li H. 11-Az endometriumrák prognózisával összefüggő lncRNS-szignatúrák azonosítása. A tudomány eredményei [magazincikk]. 2021 2021-01-01;104(1):311977089.
Jiang S, Ren H, Liu S, Lu Z, Xu A, Qin S és munkatársai. RNS-kötő fehérjék prognosztikai génjeinek és gyógyszerjelöltjeinek átfogó elemzése papilláris sejtes vesesejtes karcinómában. pregen. [Folyóiratcikk]. 2021.01.20.;12:627508.
Li X, Chen J, Yu Q, Huang X, Liu Z, Wang X és munkatársai. Az autofágiával kapcsolatos hosszú, nem kódoló RNS jellemzői előre jelzik az emlőrák prognózisát. pregen. [Folyóiratcikk]. 2021.01.20.;12:569318.
Zhou M, Zhang Z, Zhao X, Bao S, Cheng L, Sun J. Az immunrendszerrel összefüggő hat lncRNS-signatúra javítja a glioblastoma multiforme prognózisát. MOL Neurobiology. [Folyóiratcikk]. 2018.01.05.2018;55(5):3684–97.
Wu B, Wang Q, Fei J, Bao Y, Wang X, Song Z és munkatársai. Egy új tri-lncRNS-signatúra előrejelzi a hasnyálmirigyrákos betegek túlélését. REPRESENTATIVES OF ONKOL. [Folyóiratcikk]. 2018.12.01.;40(6):3427–37.
Luo C, Lin K, Hu C, Zhu X, Zhu J, Zhu Z. A LINC01094 a LIN28B expressziójának és a PI3K/AKT útvonalnak a szivacsos miR-577-en keresztül történő szabályozásával elősegíti a hasnyálmirigyrák progresszióját. Mol Therapeutics – Nukleinsavak. 2021;26:523–35.
Lin J, Zhai X, Zou S, Xu Z, Zhang J, Jiang L és munkatársai. Az lncRNS FLVCR1-AS1 és a KLF10 közötti pozitív visszacsatolás gátolhatja a hasnyálmirigyrák progresszióját a PTEN/AKT útvonalon keresztül. J EXP Clin Cancer Res. 2021;40(1).
Zhou X, Liu X, Zeng X, Wu D, Liu L. Tizenhárom gén azonosítása, amelyek a teljes túlélést előre jelzik hepatocelluláris karcinómában. Biosci Rep [folyóiratcikk]. 2021. 2021.04.09.
Közzététel ideje: 2023. szeptember 22.