El cáncer de páncreas es uno de los tumores más mortíferos del mundo y con mal pronóstico.Por lo tanto, se necesita un modelo de predicción preciso para identificar a los pacientes con alto riesgo de cáncer de páncreas para adaptar el tratamiento y mejorar el pronóstico de estos pacientes.
Obtuvimos datos de RNAseq del adenocarcinoma de páncreas (PAAD) del Atlas del genoma del cáncer (TCGA) de la base de datos UCSC Xena, identificamos lncRNA relacionados con el sistema inmunológico (irlncRNA) mediante análisis de correlación e identificamos diferencias entre TCGA y tejidos normales de adenocarcinoma de páncreas.DEirlncRNA) de TCGA y expresión tisular del genotipo (GTEx) del tejido pancreático.Se realizaron más análisis de regresión univariada y de lazo para construir modelos de firma de pronóstico.Luego calculamos el área bajo la curva y determinamos el valor de corte óptimo para identificar pacientes con adenocarcinoma de páncreas de alto y bajo riesgo.Comparar las características clínicas, la infiltración de células inmunitarias, el microambiente inmunosupresor y la resistencia a la quimioterapia en pacientes con cáncer de páncreas de alto y bajo riesgo.
Identificamos 20 pares de DEirlncRNA y agrupamos a los pacientes según el valor de corte óptimo.Demostramos que nuestro modelo de firma de pronóstico tiene un rendimiento significativo en la predicción del pronóstico de pacientes con PAAD.El AUC de la curva ROC es 0,905 para el pronóstico de 1 año, 0,942 para el pronóstico de 2 años y 0,966 para el pronóstico de 3 años.Los pacientes de alto riesgo tenían tasas de supervivencia más bajas y peores características clínicas.También demostramos que los pacientes de alto riesgo están inmunodeprimidos y pueden desarrollar resistencia a la inmunoterapia.La evaluación de fármacos anticancerígenos como paclitaxel, sorafenib y erlotinib basada en herramientas de predicción computacional puede ser apropiada para pacientes de alto riesgo con PAAD.
En general, nuestro estudio estableció un nuevo modelo de riesgo pronóstico basado en irlncRNA emparejado, que mostró un valor pronóstico prometedor en pacientes con cáncer de páncreas.Nuestro modelo de riesgo pronóstico puede ayudar a diferenciar a los pacientes con PAAD que son aptos para tratamiento médico.
El cáncer de páncreas es un tumor maligno con una baja tasa de supervivencia a cinco años y un alto grado.En el momento del diagnóstico, la mayoría de los pacientes ya se encuentran en estadios avanzados.En el contexto de la epidemia de COVID-19, los médicos y enfermeras se encuentran bajo una enorme presión cuando tratan a pacientes con cáncer de páncreas, y las familias de los pacientes también enfrentan múltiples presiones al tomar decisiones sobre el tratamiento [1, 2].Aunque se han logrado grandes avances en el tratamiento de los DOAD, como la terapia neoadyuvante, la resección quirúrgica, la radioterapia, la quimioterapia, la terapia molecular dirigida y los inhibidores de puntos de control inmunológico (ICI), solo alrededor del 9% de los pacientes sobrevive cinco años después del diagnóstico [3 ].], 4].Debido a que los primeros síntomas del adenocarcinoma de páncreas son atípicos, a los pacientes generalmente se les diagnostica metástasis en una etapa avanzada [5].Por lo tanto, para un paciente determinado, el tratamiento integral individualizado debe sopesar las ventajas y desventajas de todas las opciones de tratamiento, no sólo para prolongar la supervivencia, sino también para mejorar la calidad de vida [6].Por lo tanto, es necesario un modelo de predicción eficaz para evaluar con precisión el pronóstico de un paciente [7].Por tanto, se puede seleccionar el tratamiento adecuado para equilibrar la supervivencia y la calidad de vida de los pacientes con PAAD.
El mal pronóstico de la PAAD se debe principalmente a la resistencia a los fármacos quimioterapéuticos.En los últimos años, los inhibidores de puntos de control inmunitarios se han utilizado ampliamente en el tratamiento de tumores sólidos [8].Sin embargo, el uso de ICI en el cáncer de páncreas rara vez tiene éxito [9].Por tanto, es importante identificar a los pacientes que puedan beneficiarse del tratamiento con ICI.
El ARN largo no codificante (lncRNA) es un tipo de ARN no codificante con transcripciones >200 nucleótidos.Los LncRNA están muy extendidos y constituyen aproximadamente el 80% del transcriptoma humano [10].Una gran cantidad de trabajos ha demostrado que los modelos de pronóstico basados en lncRNA pueden predecir eficazmente el pronóstico del paciente [11, 12].Por ejemplo, se identificaron 18 lncRNA relacionados con la autofagia para generar firmas de pronóstico en el cáncer de mama [13].Se han utilizado otros seis lncRNA relacionados con el sistema inmunitario para establecer las características pronósticas del glioma [14].
En el cáncer de páncreas, algunos estudios han establecido firmas basadas en ARNc para predecir el pronóstico del paciente.Se estableció una firma de 3-lncRNA en el adenocarcinoma de páncreas con un área bajo la curva ROC (AUC) de solo 0,742 y una supervivencia general (SG) de 3 años [15].Además, los valores de expresión de lncRNA varían entre diferentes genomas, diferentes formatos de datos y diferentes pacientes, y el rendimiento del modelo predictivo es inestable.Por lo tanto, utilizamos un nuevo algoritmo de modelado, emparejamiento e iteración, para generar firmas de lncRNA (irlncRNA) relacionadas con la inmunidad para crear un modelo predictivo más preciso y estable [8].
Los datos de RNAseq normalizados (FPKM) y los datos de TCGA de cáncer de páncreas clínico y de expresión tisular del genotipo (GTEx) se obtuvieron de la base de datos UCSC XENA (https://xenabrowser.net/datapages/).Los archivos GTF se obtuvieron de la base de datos Ensembl (http://asia.ensembl.org) y se utilizaron para extraer perfiles de expresión de lncRNA de RNAseq.Descargamos genes relacionados con la inmunidad de la base de datos ImmPort (//www.immport.org) e identificamos lncRNA relacionados con la inmunidad (irlncRNA) mediante análisis de correlación (p <0,001, r > 0,4).Identificación de irlncRNA expresados diferencialmente (DEirlncRNA) mediante el cruce de irlncRNA y lncRNA expresados diferencialmente obtenidos de la base de datos GEPIA2 (http://gepia2.cancer-pku.cn/#index) en la cohorte TCGA-PAAD (|logFC| > 1 y FDR ) <0,05).
Este método se ha informado anteriormente [8].Específicamente, construimos X para reemplazar el lncRNA A y el lncRNA B emparejados. Cuando el valor de expresión del lncRNA A es mayor que el valor de expresión del lncRNA B, X se define como 1; de lo contrario, X se define como 0. Por lo tanto, podemos obtener una matriz de 0 o – 1. El eje vertical de la matriz representa cada muestra y el eje horizontal representa cada par DEirlncRNA con un valor de 0 o 1.
Se utilizó un análisis de regresión univariante seguido de una regresión de Lasso para detectar pares de DEirlncRNA de pronóstico.El análisis de regresión de lazo utilizó una validación cruzada de 10 veces repetida 1000 veces (p <0,05), con 1000 estímulos aleatorios por ejecución.Cuando la frecuencia de cada par DEirlncRNA superó 100 veces en 1000 ciclos, se seleccionaron pares DEirlncRNA para construir un modelo de riesgo de pronóstico.Luego utilizamos la curva AUC para encontrar el valor de corte óptimo para clasificar a los pacientes con PAAD en grupos de alto y bajo riesgo.También se calculó el valor AUC de cada modelo y se representó como una curva.Si la curva alcanza el punto más alto que indica el valor máximo de AUC, el proceso de cálculo se detiene y el modelo se considera el mejor candidato.Se construyeron modelos de curvas ROC de 1, 3 y 5 años.Se utilizaron análisis de regresión univariados y multivariados para examinar el rendimiento predictivo independiente del modelo de pronóstico de riesgo.
Utilice siete herramientas para estudiar las tasas de infiltración de células inmunitarias, incluidas XCELL, TIMER, QUANTISEQ, MCPCOUNTER, EPIC, CIBERSORT-ABS y CIBERSORT.Los datos de infiltración de células inmunes se descargaron de la base de datos TIMER2 (//timer.comp-genomics.org/#tab-5817-3).La diferencia en el contenido de células inmunoinfiltrantes entre los grupos de alto y bajo riesgo del modelo construido se analizó mediante la prueba de rangos con signo de Wilcoxon; los resultados se muestran en el gráfico cuadrado.Se realizó un análisis de correlación de Spearman para analizar la relación entre los valores de puntuación de riesgo y las células inmunoinfiltrantes.El coeficiente de correlación resultante se muestra como una paleta.El umbral de significancia se fijó en p < 0,05.El procedimiento se realizó utilizando el paquete R ggplot2.Para examinar la relación entre el modelo y los niveles de expresión genética asociados con la tasa de infiltración de células inmunes, realizamos el paquete ggstatsplot y la visualización del gráfico de violín.
Para evaluar los patrones de tratamiento clínico para el cáncer de páncreas, calculamos la CI50 de los fármacos de quimioterapia de uso común en la cohorte TCGA-PAAD.Las diferencias en las concentraciones medias inhibidoras (CI50) entre los grupos de alto y bajo riesgo se compararon mediante la prueba de rangos con signo de Wilcoxon, y los resultados se muestran como diagramas de caja generados utilizando pRRophetic y ggplot2 en R. Todos los métodos cumplen con las directrices y normas pertinentes.
El flujo de trabajo de nuestro estudio se muestra en la Figura 1. Utilizando el análisis de correlación entre los lncRNA y los genes relacionados con la inmunidad, seleccionamos 724 irlncRNA con p <0,01 y r > 0,4.A continuación, analizamos los lncRNA expresados diferencialmente de GEPIA2 (Figura 2A).Un total de 223 irlncRNA se expresaron diferencialmente entre el adenocarcinoma de páncreas y el tejido pancreático normal (|logFC| > 1, FDR <0,05), denominados DEirlncRNA.
Construcción de modelos predictivos de riesgo.(A) Gráfico de volcán de lncRNA expresados diferencialmente.(B) Distribución de coeficientes de lazo para 20 pares DEirlncRNA.(C) Varianza de probabilidad parcial de la distribución del coeficiente LASSO.(D) Diagrama de bosque que muestra un análisis de regresión univariado de 20 pares DEirlncRNA.
A continuación, construimos una matriz 0 o 1 emparejando 223 DEirlncRNA.Se identificaron un total de 13.687 pares de DEirlncRNA.Después del análisis de regresión univariado y de lazo, finalmente se probaron 20 pares de DEirlncRNA para construir un modelo de riesgo de pronóstico (Figura 2B-D).Con base en los resultados de Lasso y el análisis de regresión múltiple, calculamos una puntuación de riesgo para cada paciente en la cohorte TCGA-PAAD (Tabla 1).Con base en los resultados del análisis de regresión de lazo, calculamos una puntuación de riesgo para cada paciente en la cohorte TCGA-PAAD.El AUC de la curva ROC fue 0,905 para la predicción del modelo de riesgo a 1 año, 0,942 para la predicción a 2 años y 0,966 para la predicción a 3 años (Figura 3A-B).Establecimos un valor de corte óptimo de 3,105, estratificamos a los pacientes de la cohorte TCGA-PAAD en grupos de alto y bajo riesgo y trazamos los resultados de supervivencia y las distribuciones de puntuación de riesgo para cada paciente (Figura 3C-E).El análisis de Kaplan-Meier mostró que la supervivencia de los pacientes con PAAD en el grupo de alto riesgo fue significativamente menor que la de los pacientes en el grupo de bajo riesgo (p <0,001) (Figura 3F).
Validez de los modelos de pronóstico de riesgo.(A) ROC del modelo de riesgo de pronóstico.(B) Modelos de riesgo de pronóstico ROC de 1, 2 y 3 años.(C) República de China del modelo de riesgo de pronóstico.Muestra el punto de corte óptimo.(DE) Distribución del estado de supervivencia (D) y puntuaciones de riesgo (E).(F) Análisis de Kaplan-Meier de pacientes con PAAD en grupos de alto y bajo riesgo.
Además, evaluamos las diferencias en las puntuaciones de riesgo según las características clínicas.El gráfico de franjas (Figura 4A) muestra la relación general entre las características clínicas y las puntuaciones de riesgo.En particular, los pacientes de mayor edad tenían puntuaciones de riesgo más altas (Figura 4B).Además, los pacientes con estadio II tuvieron puntuaciones de riesgo más altas que los pacientes con estadio I (Figura 4C).Con respecto al grado del tumor en pacientes con PAAD, los pacientes de grado 3 tuvieron puntuaciones de riesgo más altas que los pacientes de grado 1 y 2 (Figura 4D).Además, realizamos análisis de regresión univariados y multivariados y demostramos que la puntuación de riesgo (p <0,001) y la edad (p = 0,045) eran factores de pronóstico independientes en pacientes con PAAD (Figura 5A-B).La curva ROC demostró que la puntuación de riesgo era superior a otras características clínicas para predecir la supervivencia a 1, 2 y 3 años de los pacientes con PAAD (Figura 5C-E).
Características clínicas de los modelos pronósticos de riesgo.El histograma (A) muestra (B) la edad, (C) el estadio del tumor, (D) el grado del tumor, la puntuación de riesgo y el sexo de los pacientes en la cohorte TCGA-PAAD.**p<0,01
Análisis predictivo independiente de modelos de pronóstico de riesgo.(AB) Análisis de regresión univariados (A) y multivariados (B) de modelos de riesgo pronóstico y características clínicas.(CE) República de China de 1, 2 y 3 años para modelos de riesgo de pronóstico y características clínicas
Por lo tanto, examinamos la relación entre el tiempo y las puntuaciones de riesgo.Encontramos que la puntuación de riesgo en pacientes con PAAD se correlacionaba inversamente con las células T CD8+ y las células NK (Figura 6A), lo que indica una función inmune suprimida en el grupo de alto riesgo.También evaluamos la diferencia en la infiltración de células inmunes entre los grupos de alto y bajo riesgo y encontramos los mismos resultados (Figura 7).Hubo menos infiltración de células T CD8+ y células NK en el grupo de alto riesgo.En los últimos años, los inhibidores de puntos de control inmunológico (ICI) se han utilizado ampliamente en el tratamiento de tumores sólidos.Sin embargo, el uso de ICI en el cáncer de páncreas rara vez ha tenido éxito.Por lo tanto, evaluamos la expresión de genes de puntos de control inmunológico en grupos de alto y bajo riesgo.Encontramos que CTLA-4 y CD161 (KLRB1) estaban sobreexpresados en el grupo de bajo riesgo (Figura 6B-G), lo que indica que los pacientes con PAAD en el grupo de bajo riesgo pueden ser sensibles a ICI.
Análisis de correlación del modelo de riesgo pronóstico y la infiltración de células inmunes.(A) Correlación entre el modelo de riesgo pronóstico y la infiltración de células inmunes.(BG) Indica la expresión genética en grupos de alto y bajo riesgo.(HK) Valores de IC50 para medicamentos anticancerígenos específicos en grupos de alto y bajo riesgo.*p < 0,05, **p < 0,01, ns = no significativo
Además, evaluamos la asociación entre las puntuaciones de riesgo y los agentes de quimioterapia comunes en la cohorte TCGA-PAAD.Buscamos fármacos anticancerígenos de uso común en el cáncer de páncreas y analizamos las diferencias en sus valores de IC50 entre grupos de alto y bajo riesgo.Los resultados mostraron que el valor IC50 de AZD.2281 (olaparib) fue mayor en el grupo de alto riesgo, lo que indica que los pacientes con PAAD en el grupo de alto riesgo pueden ser resistentes al tratamiento con AZD.2281 (Figura 6H).Además, los valores de CI50 de paclitaxel, sorafenib y erlotinib fueron más bajos en el grupo de alto riesgo (Figura 6I-K).Además, identificamos 34 fármacos contra el cáncer con valores de CI50 más altos en el grupo de alto riesgo y 34 fármacos contra el cáncer con valores de CI50 más bajos en el grupo de alto riesgo (Tabla 2).
No se puede negar que los lncRNA, mRNA y miRNA existen ampliamente y desempeñan un papel crucial en el desarrollo del cáncer.Existe amplia evidencia que respalda el importante papel del ARNm o miARN en la predicción de la supervivencia general en varios tipos de cáncer.Sin duda, muchos modelos de pronóstico de riesgo también se basan en lncRNA.Por ejemplo, Luo et al.Los estudios han demostrado que LINC01094 desempeña un papel clave en la proliferación y metástasis de PC, y la alta expresión de LINC01094 indica una mala supervivencia de los pacientes con cáncer de páncreas [16].El estudio presentado por Lin et al.Los estudios han demostrado que la regulación negativa del lncRNA FLVCR1-AS1 se asocia con un mal pronóstico en pacientes con cáncer de páncreas [17].Sin embargo, los lncRNA relacionados con la inmunidad se discuten relativamente menos en términos de predecir la supervivencia general de los pacientes con cáncer.Recientemente, una gran cantidad de trabajo se ha centrado en la construcción de modelos de riesgo de pronóstico para predecir la supervivencia de los pacientes con cáncer y así ajustar los métodos de tratamiento [18, 19, 20].Cada vez se reconoce más el importante papel de los infiltrados inmunitarios en el inicio, la progresión y la respuesta del cáncer a tratamientos como la quimioterapia.Numerosos estudios han confirmado que las células inmunitarias infiltrantes de tumores desempeñan un papel fundamental en la respuesta a la quimioterapia citotóxica [21, 22, 23].El microambiente inmunológico del tumor es un factor importante en la supervivencia de los pacientes con tumores [24, 25].La inmunoterapia, especialmente la terapia ICI, se usa ampliamente en el tratamiento de tumores sólidos [26].Los genes relacionados con el sistema inmunológico se utilizan ampliamente para construir modelos de riesgo de pronóstico.Por ejemplo, Su et al.El modelo de riesgo de pronóstico relacionado con el sistema inmunológico se basa en genes codificadores de proteínas para predecir el pronóstico de pacientes con cáncer de ovario [27].Los genes no codificantes, como los lncRNA, también son adecuados para construir modelos de riesgo de pronóstico [28, 29, 30].Luo et al probaron cuatro lncRNA relacionados con el sistema inmunológico y construyeron un modelo predictivo para el riesgo de cáncer de cuello uterino [31].Khan et al.Se identificaron un total de 32 transcripciones expresadas diferencialmente y, en base a esto, se estableció un modelo de predicción con 5 transcripciones significativas, que se propuso como una herramienta altamente recomendada para predecir el rechazo agudo comprobado por biopsia después del trasplante de riñón [32].
La mayoría de estos modelos se basan en niveles de expresión genética, ya sean genes codificadores de proteínas o genes no codificantes.Sin embargo, el mismo gen puede tener diferentes valores de expresión en diferentes genomas, formatos de datos y en diferentes pacientes, lo que genera estimaciones inestables en los modelos predictivos.En este estudio, construimos un modelo razonable con dos pares de lncRNA, independientes de los valores de expresión exactos.
En este estudio, identificamos irlncRNA por primera vez mediante análisis de correlación con genes relacionados con la inmunidad.Seleccionamos 223 DEirlncRNA mediante hibridación con lncRNA expresados diferencialmente.En segundo lugar, construimos una matriz 0 o 1 basada en el método de emparejamiento DEirlncRNA publicado [31].Luego realizamos análisis de regresión univariados y de lazo para identificar pares de DEirlncRNA de pronóstico y construir un modelo de riesgo predictivo.Analizamos además la asociación entre las puntuaciones de riesgo y las características clínicas en pacientes con PAAD.Descubrimos que nuestro modelo de riesgo pronóstico, como factor pronóstico independiente en pacientes con PAAD, puede diferenciar eficazmente a los pacientes de alto grado de los de bajo grado y a los pacientes de alto grado de los de bajo grado.Además, los valores AUC de la curva ROC del modelo de riesgo de pronóstico fueron 0,905 para el pronóstico de 1 año, 0,942 para el pronóstico de 2 años y 0,966 para el pronóstico de 3 años.
Los investigadores informaron que los pacientes con una mayor infiltración de células T CD8+ eran más sensibles al tratamiento con ICI [33].Un aumento en el contenido de células citotóxicas, células NK CD56, células NK y células T CD8+ en el microambiente inmunológico del tumor puede ser una de las razones del efecto supresor del tumor [34].Estudios anteriores demostraron que niveles más altos de CD4(+) T y CD8(+) T infiltrantes de tumores se asociaron significativamente con una supervivencia más larga [35].La infiltración deficiente de células T CD8, la baja carga de neoantígenos y un microambiente tumoral altamente inmunosupresor conducen a una falta de respuesta a la terapia con ICI [36].Descubrimos que la puntuación de riesgo se correlacionaba negativamente con las células T CD8+ y las células NK, lo que indica que los pacientes con puntuaciones de riesgo altas pueden no ser adecuados para el tratamiento con ICI y tener un peor pronóstico.
CD161 es un marcador de células asesinas naturales (NK).Las células T transducidas con CAR CD8+CD161+ median una mayor eficacia antitumoral in vivo en modelos de xenoinjerto de adenocarcinoma ductal pancreático HER2+ [37].Los inhibidores de puntos de control inmunológico se dirigen a las vías de la proteína 4 asociada a los linfocitos T citotóxicos (CTLA-4) y la proteína de muerte celular programada 1 (PD-1)/ligando de muerte celular programada 1 (PD-L1) y tienen un gran potencial en muchas áreas.La expresión de CTLA-4 y CD161 (KLRB1) es menor en los grupos de alto riesgo, lo que indica además que los pacientes con puntuaciones de alto riesgo pueden no ser elegibles para el tratamiento con ICI.[38]
Para encontrar opciones de tratamiento adecuadas para pacientes de alto riesgo, analizamos varios fármacos anticancerígenos y descubrimos que paclitaxel, sorafenib y erlotinib, que se utilizan ampliamente en pacientes con PAAD, pueden ser adecuados para pacientes de alto riesgo con PAAD.[33].Zhang et al descubrieron que las mutaciones en cualquier vía de respuesta al daño del ADN (DDR) pueden conducir a un mal pronóstico en pacientes con cáncer de próstata [39].El ensayo Pancreatic Cancer Olaparib Ongoing (POLO) demostró que el tratamiento de mantenimiento con olaparib prolongó la supervivencia libre de progresión en comparación con placebo después de la quimioterapia de primera línea basada en platino en pacientes con adenocarcinoma ductal de páncreas y mutaciones de la línea germinal BRCA1/2 [40].Esto proporciona un optimismo significativo de que los resultados del tratamiento mejorarán significativamente en este subgrupo de pacientes.En este estudio, el valor IC50 de AZD.2281 (olaparib) fue mayor en el grupo de alto riesgo, lo que indica que los pacientes con PAAD en el grupo de alto riesgo pueden ser resistentes al tratamiento con AZD.2281.
Los modelos de pronóstico de este estudio producen buenos resultados de pronóstico, pero se basan en pronósticos analíticos.Cómo confirmar estos resultados con datos clínicos es una cuestión importante.La ecografía endoscópica por aspiración con aguja fina (USE-FNA) se ha convertido en un método indispensable para diagnosticar lesiones pancreáticas sólidas y extrapancreáticas con una sensibilidad del 85% y una especificidad del 98% [41].La llegada de las agujas de biopsia con aguja fina por EUS (EUS-FNB) se basa principalmente en las ventajas percibidas sobre la FNA, como una mayor precisión diagnóstica, la obtención de muestras que preservan la estructura histológica y, por lo tanto, la generación de tejido inmunológico que es fundamental para ciertos diagnósticos.tinción especial [42].Una revisión sistemática de la literatura confirmó que las agujas FNB (especialmente la 22G) demuestran la mayor eficiencia en la recolección de tejido de masas pancreáticas [43].Clínicamente, sólo un pequeño número de pacientes son elegibles para la cirugía radical y la mayoría de los pacientes tienen tumores inoperables en el momento del diagnóstico inicial.En la práctica clínica, sólo una pequeña proporción de pacientes son aptos para la cirugía radical porque la mayoría de los pacientes tienen tumores inoperables en el momento del diagnóstico inicial.Después de la confirmación patológica mediante USE-FNB y otros métodos, generalmente se elige un tratamiento no quirúrgico estandarizado, como la quimioterapia.Nuestro programa de investigación posterior es probar el modelo de pronóstico de este estudio en cohortes quirúrgicas y no quirúrgicas mediante un análisis retrospectivo.
En general, nuestro estudio estableció un nuevo modelo de riesgo pronóstico basado en irlncRNA emparejado, que mostró un valor pronóstico prometedor en pacientes con cáncer de páncreas.Nuestro modelo de riesgo pronóstico puede ayudar a diferenciar a los pacientes con PAAD que son aptos para tratamiento médico.
Los conjuntos de datos utilizados y analizados en el presente estudio están disponibles a través de solicitud razonable del autor correspondiente.
Sui Wen, Gong X, Zhuang Y. El papel mediador de la autoeficacia en la regulación emocional de las emociones negativas durante la pandemia de COVID-19: un estudio transversal.Int J Ment Health Nurs [artículo de revista].2021 01/06/2021;30(3):759–71.
Sui Wen, Gong X, Qiao X, Zhang L, Cheng J, Dong J, et al.Opiniones de los miembros de la familia sobre la toma de decisiones alternativas en las unidades de cuidados intensivos: una revisión sistemática.INT J NURS STUD [artículo de revista;revisar].2023 01/01/2023;137:104391.
Vincent A, Herman J, Schulich R, Hruban RH, Goggins M. Cáncer de páncreas.Lanceta.[Artículo de revista;apoyo a la investigación, NIH, extramuros;apoyo a la investigación, gobierno fuera de los EE. UU.;revisar].2011 13/08/2011;378(9791):607–20.
Ilic M, Ilic I. Epidemiología del cáncer de páncreas.Revista mundial de gastroenterología.[Artículo de revista, reseña].2016 28/11/2016;22(44):9694–705.
Liu X, Chen B, Chen J, Sun S. Un nuevo nomograma relacionado con tp53 para predecir la supervivencia general en pacientes con cáncer de páncreas.BMC Cancer [artículo de revista].2021 31-03-2021;21(1):335.
Xian X, Zhu X, Chen Y, Huang B, Xiang W. Efecto de la terapia centrada en soluciones sobre la fatiga relacionada con el cáncer en pacientes con cáncer colorrectal que reciben quimioterapia: un ensayo controlado aleatorio.Enfermera oncóloga.[Artículo de revista;ensayo controlado aleatorio;el estudio cuenta con el apoyo de un gobierno fuera de los Estados Unidos].2022 01/05/2022;45(3):E663–73.
Zhang Cheng, Zheng Wen, Lu Y, Shan L, Xu Dong, Pan Y, et al.Los niveles posoperatorios del antígeno carcinoembrionario (CEA) predicen el resultado después de la resección del cáncer colorrectal en pacientes con niveles preoperatorios normales de CEA.Centro de Investigación Traslacional del Cáncer.[Artículo de revista].2020 01.01.2020;9(1):111–8.
Hong Wen, Liang Li, Gu Yu, Qi Zi, Qiu Hua, Yang X, et al.Los lncRNA relacionados con el sistema inmunológico generan firmas novedosas y predicen el panorama inmunológico del carcinoma hepatocelular humano.Mol Ther Ácidos nucleicos [Artículo de revista].2020 2020-12-04;22:937 – 47.
Toffey RJ, Zhu Y., Schulich RD Inmunoterapia para el cáncer de páncreas: barreras y avances.Ann Cirujano Gastrointestinal [Artículo de revista;revisar].2018 01/07/2018;2(4):274–81.
Hull R, Mbita Z, Dlamini Z. ARN largos no codificantes (LncRNA), genómica de tumores virales y eventos de empalme aberrantes: implicaciones terapéuticas.AM J CANCER RES [artículo de revista;revisar].2021 20/01/2021;11(3):866–83.
Wang J, Chen P, Zhang Y, Ding J, Yang Y, Li H. 11-Identificación de firmas de lncRNA asociadas con el pronóstico del cáncer de endometrio.Logros de la ciencia [artículo de revista].2021 2021-01-01;104(1):311977089.
Jiang S, Ren H, Liu S, Lu Z, Xu A, Qin S, et al.Análisis completo de genes pronósticos de proteínas de unión a ARN y candidatos a fármacos en el carcinoma de células renales de células papilares.pregen.[Artículo de revista].2021 20/01/2021;12:627508.
Li X, Chen J, Yu Q, Huang X, Liu Z, Wang X, et al.Las características del ARN largo no codificante relacionado con la autofagia predicen el pronóstico del cáncer de mama.pregen.[Artículo de revista].2021 20/01/2021;12:569318.
Zhou M, Zhang Z, Zhao X, Bao S, Cheng L, Sun J. La firma de seis lncRNA relacionados con el sistema inmunológico mejora el pronóstico en el glioblastoma multiforme.Neurobiología MOL.[Artículo de revista].2018 01.05.2018;55(5):3684–97.
Wu B, Wang Q, Fei J, Bao Y, Wang X, Song Z, et al.Una nueva firma de tri-lncRNA predice la supervivencia de pacientes con cáncer de páncreas.REPRESENTANTES DE ONKOL.[Artículo de revista].2018 01/12/2018;40(6):3427–37.
Luo C, Lin K, Hu C, Zhu X, Zhu J, Zhu Z. LINC01094 promueve la progresión del cáncer de páncreas mediante la regulación de la expresión de LIN28B y la vía PI3K/AKT a través de miR-577 esponjado.Mol Therapeutics – Ácidos nucleicos.2021;26:523–35.
Lin J, Zhai X, Zou S, Xu Z, Zhang J, Jiang L, et al.La retroalimentación positiva entre el lncRNA FLVCR1-AS1 y KLF10 puede inhibir la progresión del cáncer de páncreas a través de la vía PTEN/AKT.J EXP Clin Cancer Res.2021;40(1).
Zhou X, Liu X, Zeng X, Wu D, Liu L. Identificación de trece genes que predicen la supervivencia general en el carcinoma hepatocelular.Representante de Biosci [artículo de revista].2021 09/04/2021.
Hora de publicación: 22 de septiembre de 2023