Aizkuņģa dziedzera vēzis ir viens no nāvējošākajiem audzējiem pasaulē ar sliktu prognozi. Tāpēc ir nepieciešams precīzs prognozēšanas modelis, lai identificētu pacientus ar augstu aizkuņģa dziedzera vēža risku, pielāgotu ārstēšanu un uzlabotu šo pacientu prognozi.
No UCSC Xena datubāzes ieguvām Vēža genoma atlases (TCGA) aizkuņģa dziedzera adenokarcinomas (PAAD) RNS sekvences datus, ar korelācijas analīzes palīdzību identificējām ar imunitāti saistītās lncRNS (irlncRNS) un identificējām atšķirības starp TCGA un normāliem aizkuņģa dziedzera adenokarcinomas audiem. DEirlncRNS) no TCGA un genotipa audu ekspresija (GTEx) aizkuņģa dziedzera audos. Lai izveidotu prognostiskos signatūru modeļus, tika veiktas papildu vienfaktora un laso regresijas analīzes. Pēc tam aprēķinājām laukumu zem līknes un noteicām optimālo robežvērtību pacientu ar augsta un zema riska aizkuņģa dziedzera adenokarcinomu identificēšanai. Salīdzināt klīniskās īpašības, imūnšūnu infiltrāciju, imūnsupresīvo mikrovidi un ķīmijterapijas rezistenci pacientiem ar augsta un zema riska aizkuņģa dziedzera vēzi.
Mēs identificējām 20 DEirlncRNS pārus un grupējām pacientus atbilstoši optimālajai robežvērtībai. Mēs pierādījām, ka mūsu prognostiskajam paraksta modelim ir nozīmīga veiktspēja PAAD pacientu prognozes prognozēšanā. ROC līknes AUC ir 0,905 1 gada prognozei, 0,942 2 gadu prognozei un 0,966 3 gadu prognozei. Augsta riska pacientiem bija zemāki izdzīvošanas rādītāji un sliktāki klīniskie raksturlielumi. Mēs arī pierādījām, ka augsta riska pacientiem ir imūnsupresija un viņiem var attīstīties rezistence pret imunoterapiju. Pretvēža zāļu, piemēram, paklitaksela, sorafeniba un erlotiniba, novērtēšana, pamatojoties uz skaitļošanas prognozēšanas rīkiem, varētu būt piemērota augsta riska pacientiem ar PAAD.
Kopumā mūsu pētījumā tika izveidots jauns prognostiskais riska modelis, kas balstīts uz pārotu irlncRNS, kam bija daudzsološa prognostiskā vērtība pacientiem ar aizkuņģa dziedzera vēzi. Mūsu prognostiskais riska modelis var palīdzēt atšķirt pacientus ar PAAD, kuri ir piemēroti ārstēšanai.
Aizkuņģa dziedzera vēzis ir ļaundabīgs audzējs ar zemu piecu gadu izdzīvošanas rādītāju un augstu pakāpes pakāpi. Diagnozes laikā lielākā daļa pacientu jau ir progresējošā stadijā. COVID-19 epidēmijas kontekstā ārsti un medmāsas, ārstējot pacientus ar aizkuņģa dziedzera vēzi, ir pakļauti milzīgam spiedienam, un arī pacientu ģimenes, pieņemot lēmumus par ārstēšanu, saskaras ar vairākiem spiedieniem [1, 2]. Lai gan DOAD ārstēšanā ir panākts ievērojams progress, piemēram, neoadjuvanta terapija, ķirurģiska rezekcija, staru terapija, ķīmijterapija, mērķtiecīga molekulārā terapija un imūnās kontrolpunktu inhibitori (ICI), tikai aptuveni 9% pacientu izdzīvo piecus gadus pēc diagnozes noteikšanas [3]. ], 4]. Tā kā aizkuņģa dziedzera adenokarcinomas agrīnie simptomi ir netipiski, pacientiem metastāzes parasti tiek diagnosticētas progresējošā stadijā [5]. Tāpēc konkrētam pacientam individuālai visaptverošai ārstēšanai ir jāizsver visu ārstēšanas iespēju priekšrocības un trūkumi, ne tikai lai pagarinātu izdzīvošanu, bet arī uzlabotu dzīves kvalitāti [6]. Tāpēc ir nepieciešams efektīvs prognozēšanas modelis, lai precīzi novērtētu pacienta prognozi [7]. Tādējādi var izvēlēties atbilstošu ārstēšanu, lai līdzsvarotu pacientu ar PAAD izdzīvošanu un dzīves kvalitāti.
PAAD sliktā prognoze galvenokārt ir saistīta ar rezistenci pret ķīmijterapijas zālēm. Pēdējos gados imūnās kontrolpunktu inhibitori ir plaši izmantoti cieto audzēju ārstēšanā [8]. Tomēr ICI lietošana aizkuņģa dziedzera vēža gadījumā reti ir veiksmīga [9]. Tāpēc ir svarīgi identificēt pacientus, kuriem varētu būt noderīga ICI terapija.
Garā nekodējošā RNS (lncRNS) ir nekodējoša RNS veids ar transkriptiem, kas >200 nukleotīdi. LncRNS ir plaši izplatītas un veido aptuveni 80% no cilvēka transkriptoma [10]. Liels pētījumu klāsts ir parādījis, ka uz lncRNS balstīti prognostiskie modeļi var efektīvi paredzēt pacienta prognozi [11, 12]. Piemēram, tika identificētas 18 ar autofāgiju saistītas lncRNS, kas ģenerē prognostiskus parakstus krūts vēža gadījumā [13]. Sešas citas ar imunitāti saistītas lncRNS ir izmantotas, lai noteiktu gliomas prognostiskās pazīmes [14].
Aizkuņģa dziedzera vēža gadījumā dažos pētījumos ir izveidotas uz lncRNS balstītas pazīmes, lai prognozētu pacientu prognozi. Aizkuņģa dziedzera adenokarcinomas gadījumā tika izveidota 3-lncRNS pazīme ar laukumu zem ROC līknes (AUC) tikai 0,742 un kopējo dzīvildzi (OS) 3 gadi [15]. Turklāt lncRNS ekspresijas vērtības atšķiras starp dažādiem genomiem, dažādiem datu formātiem un dažādiem pacientiem, un prognozējošā modeļa veiktspēja ir nestabila. Tāpēc mēs izmantojam jaunu modelēšanas algoritmu, pārošanu un iterāciju, lai ģenerētu ar imunitāti saistītas lncRNS (irlncRNS) pazīmes, lai izveidotu precīzāku un stabilāku prognozējošo modeli [8].
Normalizēti RNS sekvencēšanas dati (FPKM) un klīniskie aizkuņģa dziedzera vēža TCGA un genotipa audu ekspresijas (GTEx) dati tika iegūti no UCSC XENA datubāzes (https://xenabrowser.net/datapages/). GTF faili tika iegūti no Ensembl datubāzes (http://asia.ensembl.org) un izmantoti, lai no RNS sekvencēšanas iegūtu lncRNS ekspresijas profilus. Mēs lejupielādējām ar imunitāti saistītos gēnus no ImmPort datubāzes (http://www.immport.org) un identificējām ar imunitāti saistītās lncRNS (irlncRNS), izmantojot korelācijas analīzi (p < 0,001, r > 0,4). Diferenciāli ekspresēto irlncRNS (DEirlncRNS) identificēšana, sakrustojot irlncRNS un diferenciāli ekspresētās lncRNS, kas iegūtas no GEPIA2 datubāzes (http://gepia2.cancer-pku.cn/#index) TCGA-PAAD kohortā (|logFC| > 1 un FDR) <0,05).
Šī metode ir aprakstīta iepriekš [8]. Konkrēti, mēs konstruējam X, lai aizstātu pārī savienoto lncRNS A un lncRNS B. Ja lncRNS A ekspresijas vērtība ir augstāka par lncRNS B ekspresijas vērtību, X tiek definēts kā 1, pretējā gadījumā X tiek definēts kā 0. Tādēļ mēs varam iegūt matricu ar vērtību 0 vai –1. Matricas vertikālā ass attēlo katru paraugu, un horizontālā ass attēlo katru DEirlncRNS pāri ar vērtību 0 vai 1.
Lai pārbaudītu prognostiskos DEirlncRNS pārus, tika izmantota vienfaktora regresijas analīze, kam sekoja laso regresija. Laso regresijas analīzē tika izmantota 10 reižu krustvalidācija, kas tika atkārtota 1000 reizes (p < 0,05), ar 1000 nejaušiem stimuliem katrā ciklā. Kad katra DEirlncRNS pāra biežums pārsniedza 100 reizes 1000 ciklos, DEirlncRNS pāri tika atlasīti, lai konstruētu prognostisko riska modeli. Pēc tam mēs izmantojām AUC līkni, lai atrastu optimālo robežvērtību PAAD pacientu klasificēšanai augsta un zema riska grupās. Katra modeļa AUC vērtība tika aprēķināta un attēlota kā līkne. Ja līkne sasniedz augstāko punktu, kas norāda uz maksimālo AUC vērtību, aprēķināšanas process tiek pārtraukts, un modelis tiek uzskatīts par labāko kandidātu. Tika konstruēti 1, 3 un 5 gadu ROC līkņu modeļi. Lai pārbaudītu prognostiskā riska modeļa neatkarīgo paredzošo veiktspēju, tika izmantotas vienfaktora un daudzfaktora regresijas analīzes.
Imūnšūnu infiltrācijas ātrumu izpētei izmantoti septiņi rīki, tostarp XCELL, TIMER, QUANTISEQ, MCPCOUNTER, EPIC, CIBERSORT-ABS un CIBERSORT. Imūnšūnu infiltrācijas dati tika lejupielādēti no TIMER2 datubāzes (http://timer.comp-genomics.org/#tab-5817-3). Imūninfiltrējošo šūnu satura atšķirība starp konstruētā modeļa augsta un zema riska grupām tika analizēta, izmantojot Vilkoksona zīmju rangu testu, rezultāti parādīti kvadrātveida grafikā. Lai analizētu saistību starp riska punktu vērtībām un imūninfiltrējošajām šūnām, tika veikta Spīrmena korelācijas analīze. Iegūtais korelācijas koeficients ir parādīts kā konfekte. Nozīmīguma slieksnis tika noteikts kā p < 0,05. Procedūra tika veikta, izmantojot R pakotni ggplot2. Lai pārbaudītu saistību starp modeli un gēnu ekspresijas līmeņiem, kas saistīti ar imūnšūnu infiltrācijas ātrumu, mēs izmantojām ggstatsplot pakotni un Violin Plot vizualizāciju.
Lai novērtētu aizkuņģa dziedzera vēža klīniskās ārstēšanas modeļus, mēs aprēķinājām bieži lietoto ķīmijterapijas zāļu IC50 TCGA-PAAD kohortā. Atšķirības pusinhibējošajās koncentrācijās (IC50) starp augsta un zema riska grupām tika salīdzinātas, izmantojot Vilkoksona zīmju rangu testu, un rezultāti ir parādīti kā lodziņu diagrammas, kas ģenerētas, izmantojot pRRophetic un ggplot2 programmā R. Visas metodes atbilst attiecīgajām vadlīnijām un normām.
Mūsu pētījuma darbplūsma ir parādīta 1. attēlā. Izmantojot korelācijas analīzi starp lncRNS un ar imunitāti saistītajiem gēniem, mēs atlasījām 724 irlncRNS ar p < 0,01 un r > 0,4. Pēc tam mēs analizējām GEPIA2 diferenciāli ekspresētās lncRNS (2.A attēls). Kopumā 223 irlncRNS tika diferenciāli ekspresētas starp aizkuņģa dziedzera adenokarcinomu un normāliem aizkuņģa dziedzera audiem (|logFC| > 1, FDR < 0,05), un tās tika nosauktas par DEirlncRNS.
Prognozējošo riska modeļu konstruēšana. (A) Diferenciāli ekspresētu lncRNS vulkāna diagramma. (B) Laso koeficientu sadalījums 20 DEirlncRNS pāriem. (C) LASSO koeficienta sadalījuma daļējā ticamības dispersija. (D) Meža diagramma, kurā parādīta 20 DEirlncRNS pāru vienfaktora regresijas analīze.
Pēc tam mēs konstruējām 0 vai 1 matricu, savienojot pārī 223 DEirlncRNS. Kopumā tika identificēti 13 687 DEirlncRNS pāri. Pēc vienfaktora un laso regresijas analīzes tika pārbaudīti 20 DEirlncRNS pāri, lai konstruētu prognostisku riska modeli (2.B–D attēls). Pamatojoties uz laso un daudzkārtējās regresijas analīzes rezultātiem, mēs aprēķinājām riska rādītāju katram pacientam TCGA-PAAD kohortā (1. tabula). Pamatojoties uz laso regresijas analīzes rezultātiem, mēs aprēķinājām riska rādītāju katram pacientam TCGA-PAAD kohortā. ROC līknes AUC bija 0,905 1 gada riska modeļa prognozei, 0,942 2 gadu prognozei un 0,966 3 gadu prognozei (3.A–B attēls). Mēs noteicām optimālo robežvērtību 3,105, stratificējām TCGA-PAAD kohortas pacientus augsta un zema riska grupās un katram pacientam uzzīmējām izdzīvošanas rezultātu un riska punktu skaita sadalījuma grafiku (3.C–E attēls). Kaplana-Meiera analīze parādīja, ka PAAD pacientu izdzīvošana augsta riska grupā bija ievērojami zemāka nekā pacientiem zema riska grupā (p < 0,001) (3.F attēls).
Prognostisko riska modeļu derīgums. (A) Prognostiskā riska modeļa ROC. (B) 1, 2 un 3 gadu ROC prognostiskā riska modeļi. (C) Prognostiskā riska modeļa ROC. Norāda optimālo robežvērtību. (DE) Izdzīvošanas statusa (D) un riska punktu skaita (E) sadalījums. (F) Kaplana-Meijera analīze PAAD pacientiem augsta un zema riska grupās.
Mēs tālāk izvērtējām riska rādītāju atšķirības atkarībā no klīniskajām pazīmēm. Lentes diagramma (4.A attēls) parāda vispārējo saistību starp klīniskajām pazīmēm un riska rādītājiem. Jo īpaši gados vecākiem pacientiem bija augstāki riska rādītāji (4.B attēls). Turklāt pacientiem ar II stadiju bija augstāki riska rādītāji nekā pacientiem ar I stadiju (4.C attēls). Attiecībā uz audzēja pakāpi PAAD pacientiem 3. pakāpes pacientiem bija augstāki riska rādītāji nekā 1. un 2. pakāpes pacientiem (4.D attēls). Mēs tālāk veicām vienfaktora un daudzfaktora regresijas analīzes un parādījām, ka riska rādītājs (p < 0,001) un vecums (p = 0,045) bija neatkarīgi prognostiski faktori pacientiem ar PAAD (5.A–B attēls). ROC līkne parādīja, ka riska rādītājs bija pārāks par citiem klīniskajiem rādītājiem, prognozējot pacientu ar PAAD 1, 2 un 3 gadu izdzīvošanu (5.C–E attēls).
Prognostisko riska modeļu klīniskās īpašības. Histogrammā (A) parādīts (B) pacientu vecums, (C) audzēja stadija, (D) audzēja pakāpe, riska rādītājs un dzimums TCGA-PAAD kohortā. **p < 0,01
Neatkarīga prognostisko riska modeļu paredzošā analīze. (AB) Prognostisko riska modeļu un klīnisko raksturlielumu vienfaktora (A) un daudzfaktora (B) regresijas analīze. (CE) 1, 2 un 3 gadu ROC prognostiskajiem riska modeļiem un klīniskajām raksturlielumiem.
Tāpēc mēs pārbaudījām laika un riska rādītāju savstarpējo saistību. Mēs atklājām, ka PAAD pacientu riska rādītājs bija apgriezti korelēts ar CD8+ T šūnām un NK šūnām (6.A attēls), kas norāda uz nomāktu imūnfunkciju augsta riska grupā. Mēs arī novērtējām imūnšūnu infiltrācijas atšķirību starp augsta un zema riska grupām un ieguvām tādus pašus rezultātus (7. attēls). Augsta riska grupā bija mazāka CD8+ T šūnu un NK šūnu infiltrācija. Pēdējos gados imūnkontroles punktu inhibitori (ICI) ir plaši izmantoti cieto audzēju ārstēšanā. Tomēr ICI lietošana aizkuņģa dziedzera vēža gadījumā reti ir bijusi veiksmīga. Tāpēc mēs novērtējām imūnkontroles punktu gēnu ekspresiju augsta un zema riska grupās. Mēs atklājām, ka CTLA-4 un CD161 (KLRB1) bija pārmērīgi ekspresēti zema riska grupā (6.B-G attēls), kas norāda, ka PAAD pacienti zema riska grupā var būt jutīgi pret ICI.
Prognostiskā riska modeļa un imūnšūnu infiltrācijas korelācijas analīze. (A) Korelācija starp prognostisko riska modeli un imūnšūnu infiltrāciju. (BG) Norāda gēnu ekspresiju augsta un zema riska grupās. (HK) IC50 vērtības specifiskām pretvēža zālēm augsta un zema riska grupās. *p < 0,05, **p < 0,01, ns = nav statistiski nozīmīgs.
Mēs tālāk izvērtējām saistību starp riska rādītājiem un bieži lietotiem ķīmijterapijas līdzekļiem TCGA-PAAD kohortā. Mēs meklējām bieži lietotus pretvēža medikamentus aizkuņģa dziedzera vēža ārstēšanā un analizējām to IC50 vērtību atšķirības starp augsta un zema riska grupām. Rezultāti parādīja, ka AZD.2281 (olapariba) IC50 vērtība bija augstāka augsta riska grupā, kas norāda, ka PAAD pacienti augsta riska grupā var būt rezistenti pret AZD.2281 ārstēšanu (6.H attēls). Turklāt paklitaksela, sorafeniba un erlotiniba IC50 vērtības augsta riska grupā bija zemākas (6.I–K attēls). Mēs tālāk identificējām 34 pretvēža medikamentus ar augstākām IC50 vērtībām augsta riska grupā un 34 pretvēža medikamentus ar zemākām IC50 vērtībām augsta riska grupā (2. tabula).
Nevar noliegt, ka lncRNS, mRNS un miRNS ir plaši izplatītas un tām ir izšķiroša loma vēža attīstībā. Ir daudz pierādījumu, kas apstiprina mRNS vai miRNS svarīgo lomu kopējās izdzīvošanas prognozēšanā vairāku vēža veidu gadījumā. Neapšaubāmi, daudzi prognostiskie riska modeļi arī ir balstīti uz lncRNS. Piemēram, Luo et al. pētījumi ir parādījuši, ka LINC01094 ir galvenā loma PC proliferācijā un metastāzēs, un augsta LINC01094 ekspresija norāda uz sliktu aizkuņģa dziedzera vēža pacientu izdzīvošanu [16]. Lin et al. prezentētais pētījums ir parādījis, ka lncRNS FLVCR1-AS1 samazināta regulācija ir saistīta ar sliktu prognozi aizkuņģa dziedzera vēža pacientiem [17]. Tomēr ar imunitāti saistītās lncRNS tiek salīdzinoši mazāk apspriestas vēža pacientu kopējās izdzīvošanas prognozēšanas kontekstā. Nesen liels darbs ir veltīts prognostisku riska modeļu izveidei, lai prognozētu vēža pacientu izdzīvošanu un tādējādi pielāgotu ārstēšanas metodes [18, 19, 20]. Arvien vairāk tiek atzīta imūninfiltrātu svarīgā loma vēža sākumā, progresēšanā un reakcijā uz ārstēšanu, piemēram, ķīmijterapiju. Daudzi pētījumi ir apstiprinājuši, ka audzējā infiltrējošām imūnšūnām ir izšķiroša nozīme reakcijā uz citotoksisku ķīmijterapiju [21, 22, 23]. Audzēja imūnā mikrovide ir svarīgs faktors audzēja pacientu izdzīvošanai [24, 25]. Imūnterapija, īpaši ICI terapija, tiek plaši izmantota cieto audzēju ārstēšanā [26]. Ar imunitāti saistīti gēni tiek plaši izmantoti, lai konstruētu prognostiskos riska modeļus. Piemēram, Su et al. Ar imunitāti saistītais prognostiskais riska modelis ir balstīts uz proteīnus kodējošiem gēniem, lai prognozētu olnīcu vēža pacientu prognozi [27]. Nekodējošie gēni, piemēram, lncRNS, ir piemēroti arī prognostisko riska modeļu konstruēšanai [28, 29, 30]. Luo et al. testēja četras ar imunitāti saistītas lncRNS un izveidoja prognozējošu modeli dzemdes kakla vēža riskam [31]. Khan et al. Kopumā tika identificēti 32 atšķirīgi ekspresēti transkripti, un, pamatojoties uz to, tika izveidots prognozēšanas modelis ar 5 nozīmīgiem transkriptiem, kas tika ierosināts kā ļoti ieteicams rīks biopsijā apstiprinātas akūtas atgrūšanas prognozēšanai pēc nieru transplantācijas [32].
Lielākā daļa šo modeļu ir balstīti uz gēnu ekspresijas līmeņiem – vai nu proteīnus kodējošiem gēniem, vai nekodējošiem gēniem. Tomēr vienam un tam pašam gēnam var būt atšķirīgas ekspresijas vērtības dažādos genomos, datu formātos un dažādiem pacientiem, kas prognozējošajos modeļos noved pie nestabilām aplēsēm. Šajā pētījumā mēs izveidojām saprātīgu modeli ar diviem lncRNS pāriem, neatkarīgi no precīzām ekspresijas vērtībām.
Šajā pētījumā mēs pirmo reizi identificējām irlncRNS, izmantojot korelācijas analīzi ar ar imunitāti saistītiem gēniem. Mēs pārbaudījām 223 DEirlncRNS, veicot hibridizāciju ar diferencēti ekspresētām lncRNS. Otrkārt, mēs izveidojām 0 vai 1 matricu, pamatojoties uz publicēto DEirlncRNS pārošanas metodi [31]. Pēc tam mēs veicām vienfaktora un laso regresijas analīzes, lai identificētu prognostiskos DEirlncRNS pārus un izveidotu prognozējošo riska modeli. Mēs tālāk analizējām saistību starp riska rādītājiem un klīniskajām īpašībām pacientiem ar PAAD. Mēs atklājām, ka mūsu prognostiskais riska modelis kā neatkarīgs prognostiskais faktors PAAD pacientiem var efektīvi atšķirt augstas pakāpes pacientus no zemas pakāpes pacientiem un augstas pakāpes pacientus no zemas pakāpes pacientiem. Turklāt prognostiskā riska modeļa ROC līknes AUC vērtības bija 0,905 1 gada prognozei, 0,942 2 gadu prognozei un 0,966 3 gadu prognozei.
Pētnieki ziņoja, ka pacienti ar augstāku CD8+ T šūnu infiltrāciju bija jutīgāki pret ICI ārstēšanu [33]. Citotoksisko šūnu, CD56 NK šūnu, NK šūnu un CD8+ T šūnu satura palielināšanās audzēja imūnajā mikrovidē varētu būt viens no audzēja nomācošās iedarbības iemesliem [34]. Iepriekšējie pētījumi parādīja, ka augstāks audzējā infiltrējošo CD4(+) T un CD8(+) T šūnu līmenis bija nozīmīgi saistīts ar ilgāku izdzīvošanu [35]. Slikta CD8 T šūnu infiltrācija, zema neoantigēnu slodze un ļoti imūnsupresīva audzēja mikrovide noved pie atbildes reakcijas trūkuma uz ICI terapiju [36]. Mēs atklājām, ka riska rādītājs bija negatīvi korelēts ar CD8+ T šūnām un NK šūnām, norādot, ka pacienti ar augstu riska rādītāju var nebūt piemēroti ICI ārstēšanai un viņiem ir sliktāka prognoze.
CD161 ir dabisko killeršūnu (NK) marķieris. Ar CAR transducētās CD8+CD161+ T šūnas mediē uzlabotu pretvēža efektivitāti in vivo HER2+ aizkuņģa dziedzera duktālās adenokarcinomas ksenotransplantāta modeļos [37]. Imūnās kontroles punktu inhibitori ir vērsti pret citotoksiskiem T limfocītu saistītajiem proteīniem 4 (CTLA-4) un programmētajiem šūnu nāves proteīniem 1 (PD-1)/programmētajiem šūnu nāves ligandiem 1 (PD-L1) un tiem ir liels potenciāls daudzās jomās. CTLA-4 un CD161 (KLRB1) ekspresija ir zemāka augsta riska grupās, kas vēl vairāk norāda, ka pacienti ar augsta riska rādītājiem var nebūt piemēroti ICI ārstēšanai. [38]
Lai atrastu ārstēšanas iespējas, kas piemērotas augsta riska pacientiem, mēs analizējām dažādas pretvēža zāles un atklājām, ka paklitaksels, sorafenibs un erlotinibs, ko plaši lieto pacientiem ar PAAD, varētu būt piemēroti arī augsta riska pacientiem ar PAAD. [33]. Džans un līdzautori atklāja, ka jebkura DNS bojājuma reakcijas (DDR) ceļa mutācijas var izraisīt sliktu prognozi prostatas vēža pacientiem [39]. Pētījums "Pancreatic Cancer Olaparib Ongoing" (POLO) parādīja, ka balstterapija ar olaparibu pagarināja dzīvildzi bez slimības progresēšanas, salīdzinot ar placebo, pēc pirmās izvēles platīna ķīmijterapijas pacientiem ar aizkuņģa dziedzera duktālu adenokarcinomu un germīnijas BRCA1/2 mutācijām [40]. Tas sniedz ievērojamu optimismu, ka ārstēšanas rezultāti šajā pacientu apakšgrupā ievērojami uzlabosies. Šajā pētījumā AZD.2281 (olapariba) IC50 vērtība bija augstāka augsta riska grupā, kas norāda, ka PAAD pacienti augsta riska grupā var būt rezistenti pret ārstēšanu ar AZD.2281.
Šajā pētījumā izmantotie prognozēšanas modeļi sniedz labus prognozēšanas rezultātus, taču tie ir balstīti uz analītiskām prognozēm. Svarīgs jautājums ir, kā šos rezultātus apstiprināt ar klīniskajiem datiem. Endoskopiskā tievās adatas aspirācijas ultrasonogrāfija (EUS-FNA) ir kļuvusi par neaizstājamu metodi cietu un ekstrapankreatisku aizkuņģa dziedzera bojājumu diagnosticēšanai ar 85% jutību un 98% specifiskumu [41]. EUS tievās adatas biopsijas (EUS-FNB) adatu parādīšanās galvenokārt balstās uz uztvertajām priekšrocībām salīdzinājumā ar FNA, piemēram, augstāku diagnostisko precizitāti, tādu paraugu iegūšanu, kas saglabā histoloģisko struktūru, un tādējādi imūno audu ģenerēšanu, kas ir kritiski svarīgi noteiktām diagnozēm. Īpaša krāsošana [42]. Literatūras sistemātiska pārskatīšana apstiprināja, ka FNB adatas (īpaši 22G) uzrāda visaugstāko efektivitāti audu iegūšanā no aizkuņģa dziedzera masām [43]. Klīniski tikai neliels skaits pacientu ir piemēroti radikālai operācijai, un lielākajai daļai pacientu sākotnējās diagnozes noteikšanas laikā ir neoperējami audzēji. Klīniskajā praksē tikai neliela daļa pacientu ir piemēroti radikālai operācijai, jo lielākajai daļai pacientu sākotnējās diagnozes noteikšanas laikā ir neoperējami audzēji. Pēc patoloģiskas apstiprināšanas ar EUS-FNB un citām metodēm parasti tiek izvēlēta standartizēta neķirurģiska ārstēšana, piemēram, ķīmijterapija. Mūsu turpmākā pētījumu programma ir pārbaudīt šī pētījuma prognostisko modeli ķirurģiskās un neķirurģiskās kohortās, izmantojot retrospektīvu analīzi.
Kopumā mūsu pētījumā tika izveidots jauns prognostiskais riska modelis, kas balstīts uz pārotu irlncRNS, kam bija daudzsološa prognostiskā vērtība pacientiem ar aizkuņģa dziedzera vēzi. Mūsu prognostiskais riska modelis var palīdzēt atšķirt pacientus ar PAAD, kuri ir piemēroti ārstēšanai.
Šajā pētījumā izmantotie un analizētie datu kopumi ir pieejami no atbilstošā autora pēc saprātīga pieprasījuma.
Sui Wen, Gong X, Zhuang Y. Pašefektivitātes starpnieciskā loma negatīvu emociju emocionālajā regulācijā COVID-19 pandēmijas laikā: šķērsgriezuma pētījums. Int J Ment Health Nurs [žurnāla raksts]. 2021. gada 1. jūnijs; 30(3):759–71.
Sui Wen, Gong X, Qiao X, Zhang L, Cheng J, Dong J u.c. Ģimenes locekļu viedokļi par alternatīvu lēmumu pieņemšanu intensīvās terapijas nodaļās: sistemātisks pārskats. INT J NURS STUD [žurnāla raksts; apskats]. 2023 01/01/2023;137:104391.
Vincent A, Herman J, Schulich R, Hruban RH, Goggins M. Aizkuņģa dziedzera vēzis. Lancet. [Žurnāla raksts; pētniecības atbalsts, NIH, neklātienes pētījums; pētniecības atbalsts, valdība ārpus ASV; apskats]. 2011. gada 13. augusts; 378(9791):607–20.
Ilic M., Ilic I. Aizkuņģa dziedzera vēža epidemioloģija. Pasaules gastroenteroloģijas žurnāls. [Žurnāla raksts, apskats]. 2016. gada 28. novembris; 22(44):9694–705.
Liu X, Chen B, Chen J, Sun S. Jauna ar tp53 saistīta nomogramma kopējās dzīvildzes prognozēšanai pacientiem ar aizkuņģa dziedzera vēzi. BMC Cancer [žurnāla raksts]. 2021. gada 31. marts; 21(1):335.
Sjans X., Džu X., Čens Y., Huans B., Sjans V. Uz risinājumu orientētas terapijas ietekme uz ar vēzi saistītu nogurumu kolorektālā vēža pacientiem, kuri saņem ķīmijterapiju: randomizēts kontrolēts pētījums. Vēža medmāsa. [Žurnāla raksts; randomizēts kontrolēts pētījums; pētījumu atbalsta valdība ārpus Amerikas Savienotajām Valstīm]. 2022.05.01.2022.;45(3):E663–73.
Džans Čens, Džens Veņs, Lu J., Šans L., Sju Duns, Pans J. u. c. Pēcoperācijas karcinoembrionālā antigēna (CEA) līmenis paredz iznākumu pēc kolorektālā vēža rezekcijas pacientiem ar normālu CEA līmeni pirms operācijas. Translācijas vēža pētījumu centrs. [Žurnāla raksts]. 2020. gada 1. janvāris, 2020. g.;9(1):111–8.
Hong Wen, Liang Li, Gu Yu, Qi Zi, Qiu Hua, Yang X u.c. Ar imunitāti saistītās lncRNS ģenerē jaunus parakstus un prognozē cilvēka hepatocelulārās karcinomas imūno ainavu. Mol Ther Nucleic acids [Žurnāla raksts]. 2020 2020-12-04;22:937–47.
Toffey RJ, Zhu Y., Schulich RD Imunoterapija aizkuņģa dziedzera vēža ārstēšanā: šķēršļi un atklājumi. Ann Gastrointestinal Surgeon [Žurnāla raksts; apskats]. 2018. gada 1. jūlijs; 2(4):274–81.
Hull R, Mbita Z, Dlamini Z. Garas nekodējošas RNS (LncRNS), vīrusu audzēju genomika un aberrantas splaisošanas gadījumi: terapeitiskās sekas. AM J CANCER RES [žurnāla raksts; apskats]. 2021. gada 20. janvāris; 11(3):866–83.
Vans Dž., Čens P., Džans J., Dins Dž., Jangs J., Li H. 11. — Ar endometrija vēža prognozi saistītu lncRNS parakstu identificēšana. Zinātnes sasniegumi [žurnāla raksts]. 2021. g. 2021-01-01;104(1):311977089.
Dzjans S., Rens H., Liu S., Lu Z., Sju A., Cjiņs S. u. c. Visaptveroša RNS saistošo proteīnu prognostisko gēnu un zāļu kandidātu analīze papilāro šūnu nieru šūnu karcinomā. pregen. [Žurnāla raksts]. 2021. gada 20. janvāris, 2021.;12:627508.
Li X, Chen J, Yu Q, Huang X, Liu Z, Wang X u.c. Ar autofāgiju saistītas garas, nekodificējošas RNS īpašības paredz krūts vēža prognozi. pregen. [Žurnāla raksts]. 2021. gada 20. janvāris; 12:569318.
Džou M., Džans Z., Džao S., Bao S., Čens L., Suns Dž. Ar imunitāti saistīta sešu lncRNS transkripcija uzlabo glioblastomas multiformes prognozi. MOL Neurobiology. [Žurnāla raksts]. 2018. gada 1. maijs; 55(5):3684–97.
Vu B, Wang Q, Fei J, Bao Y, Wang X, Song Z u. c. Jauns tri-lncRNS paraksts paredz aizkuņģa dziedzera vēža pacientu izdzīvošanu. ONKOL PĀRSTĀVJI. [Žurnāla raksts]. 2018. gada 1. decembris, 2018. g.;40(6):3427–37.
Luo C, Lin K, Hu C, Zhu X, Zhu J, Zhu Z. LINC01094 veicina aizkuņģa dziedzera vēža progresēšanu, regulējot LIN28B ekspresiju un PI3K/AKT ceļu caur sūklī veidotu miR-577. Mol Therapeutics – Nukleīnskābes. 2021;26:523–35.
Lin J, Zhai X, Zou S, Xu Z, Zhang J, Jiang L u.c. Pozitīva atgriezeniskā saite starp lncRNS FLVCR1-AS1 un KLF10 var kavēt aizkuņģa dziedzera vēža progresēšanu caur PTEN/AKT ceļu. J EXP Clin Cancer Res. 2021;40(1).
Džou S., Liu S., Zengs S., Vu D., Liu L. Trīspadsmit gēnu, kas paredz kopējo izdzīvošanu hepatocelulārās karcinomas gadījumā, identificēšana. Biosci Rep [žurnāla raksts]. 2021. gada 9. aprīlis.
Publicēšanas laiks: 2023. gada 22. septembris