स्वादुपिंडाचा कर्करोग हा जगातील सर्वात प्राणघातक ट्यूमरपैकी एक असून त्याचा परिणाम समाधानकारक नसतो. त्यामुळे, स्वादुपिंडाच्या कर्करोगाचा उच्च धोका असलेल्या रुग्णांना ओळखण्यासाठी एका अचूक भविष्यवाणी मॉडेलची आवश्यकता आहे, जेणेकरून त्यांच्यासाठी योग्य उपचारपद्धती तयार करता येतील आणि त्यांच्या उपचारांचा परिणाम सुधारता येईल.
आम्ही UCSC Xena डेटाबेसमधून द कॅन्सर जीनोम ॲटलस (TCGA) पॅनक्रियाटिक ॲडेनोकार्सिनोमा (PAAD) RNAseq डेटा मिळवला, सहसंबंध विश्लेषणाद्वारे रोगप्रतिकारक शक्तीशी संबंधित lncRNAs (irlncRNAs) ओळखले आणि TCGA व सामान्य पॅनक्रियाटिक ॲडेनोकार्सिनोमा ऊतींमधील फरक ओळखले. TCGA मधील DEirlncRNA) आणि स्वादुपिंडाच्या ऊतींमधील जीनोटाइप टिश्यू एक्सप्रेशन (GTEx) यांची तुलना केली. पुढे, रोगनिदानविषयक सिग्नेचर मॉडेल्स तयार करण्यासाठी युनिव्हॅरिएट आणि लॅसो रिग्रेशन विश्लेषणे करण्यात आली. त्यानंतर आम्ही वक्राखालील क्षेत्राची गणना केली आणि उच्च- आणि कमी-जोखीम असलेल्या पॅनक्रियाटिक ॲडेनोकार्सिनोमाच्या रुग्णांना ओळखण्यासाठी इष्टतम कटऑफ मूल्य निश्चित केले. उच्च- आणि कमी-जोखीम असलेल्या स्वादुपिंडाच्या कर्करोगाच्या रुग्णांमधील क्लिनिकल वैशिष्ट्ये, रोगप्रतिकारक पेशींचा शिरकाव, रोगप्रतिकारक शक्ती कमी करणारे सूक्ष्म वातावरण आणि केमोथेरपीला असलेला प्रतिकार यांची तुलना करणे.
आम्ही २० DEirlncRNA जोड्या ओळखल्या आणि इष्टतम कटऑफ मूल्यानुसार रुग्णांचे गट केले. आम्ही हे दाखवून दिले की आमचे रोगनिदानविषयक सिग्नेचर मॉडेल PAAD असलेल्या रुग्णांच्या रोगनिदानाचा अंदाज लावण्यात लक्षणीय कामगिरी करते. ROC वक्राचा AUC हा १-वर्षाच्या अंदाजासाठी ०.९०५, २-वर्षाच्या अंदाजासाठी ०.९४२ आणि ३-वर्षाच्या अंदाजासाठी ०.९६६ आहे. उच्च-जोखीम असलेल्या रुग्णांमध्ये जगण्याचे प्रमाण कमी होते आणि त्यांची वैद्यकीय वैशिष्ट्ये अधिक वाईट होती. आम्ही हे देखील दाखवून दिले की उच्च-जोखीम असलेले रुग्ण इम्युनोसप्रेसड (रोगप्रतिकारशक्ती कमी झालेले) असतात आणि त्यांच्यामध्ये इम्युनोथेरपीला प्रतिकारशक्ती विकसित होऊ शकते. संगणकीय अंदाज साधनांवर आधारित पॅक्लिटॅक्सेल, सोराफेनिब आणि अर्लोटिनिब यांसारख्या कर्करोगविरोधी औषधांचे मूल्यांकन, PAAD असलेल्या उच्च-जोखीम रुग्णांसाठी योग्य ठरू शकते.
एकंदरीत, आमच्या अभ्यासाने जोडलेल्या irlncRNA वर आधारित एक नवीन रोगनिदानविषयक जोखीम मॉडेल स्थापित केले, ज्याने स्वादुपिंडाच्या कर्करोगाच्या रुग्णांमध्ये आशादायक रोगनिदानविषयक मूल्य दाखवले. आमचे रोगनिदानविषयक जोखीम मॉडेल, वैद्यकीय उपचारांसाठी योग्य असलेल्या PAAD रुग्णांमध्ये फरक करण्यास मदत करू शकते.
स्वादुपिंडाचा कर्करोग हा एक घातक ट्यूमर आहे, ज्यामध्ये पाच वर्षांच्या जगण्याचा दर कमी असतो आणि तो उच्च श्रेणीचा असतो. निदानाच्या वेळी, बहुतेक रुग्ण आधीच प्रगत अवस्थेत पोहोचलेले असतात. कोविड-१९ साथीच्या संदर्भात, स्वादुपिंडाच्या कर्करोगाच्या रुग्णांवर उपचार करताना डॉक्टर आणि परिचारिकांवर प्रचंड दबाव असतो आणि रुग्णांच्या कुटुंबांना देखील उपचारासंबंधी निर्णय घेताना अनेक दबावांचा सामना करावा लागतो [१, २]. निओअॅडज्युव्हेंट थेरपी, सर्जिकल रिसेक्शन, रेडिएशन थेरपी, केमोथेरपी, टार्गेटेड मॉलिक्युलर थेरपी आणि इम्युन चेकपॉइंट इनहिबिटर्स (ICIs) यांसारख्या DOADs च्या उपचारांमध्ये मोठी प्रगती झाली असली तरी, निदानानंतर केवळ ९% रुग्णच पाच वर्षे जगतात [३, ४]. स्वादुपिंडाच्या ॲडेनोकार्सिनोमाची सुरुवातीची लक्षणे असामान्य असल्यामुळे, रुग्णांमध्ये सहसा प्रगत अवस्थेत मेटास्टॅसिससह निदान होते [५]. म्हणून, प्रत्येक रुग्णासाठी, वैयक्तिक सर्वसमावेशक उपचारांमध्ये केवळ जगण्याचा कालावधी वाढवण्यासाठीच नव्हे, तर जीवनाचा दर्जा सुधारण्यासाठी देखील सर्व उपचार पर्यायांचे फायदे आणि तोटे विचारात घेतले पाहिजेत [६]. त्यामुळे, रुग्णाच्या रोगनिदानाचे अचूक मूल्यांकन करण्यासाठी एका प्रभावी भविष्यवाणी मॉडेलची आवश्यकता आहे [७]. अशा प्रकारे, PAAD असलेल्या रुग्णांचे जगण्याचे प्रमाण आणि जीवनाचा दर्जा यांच्यात संतुलन साधण्यासाठी योग्य उपचार निवडता येतात.
PAAD चा खराब रोगनिदान मुख्यत्वे केमोथेरपी औषधांना असलेल्या प्रतिकारामुळे आहे. अलिकडच्या वर्षांत, सॉलिड ट्यूमरच्या उपचारांमध्ये इम्युन चेकपॉइंट इनहिबिटरचा मोठ्या प्रमाणावर वापर केला गेला आहे [8]. तथापि, स्वादुपिंडाच्या कर्करोगात ICIs चा वापर क्वचितच यशस्वी होतो [9]. म्हणून, ICI थेरपीचा फायदा होऊ शकणाऱ्या रुग्णांना ओळखणे महत्त्वाचे आहे.
लाँग नॉन-कोडिंग आरएनए (lncRNA) हा नॉन-कोडिंग आरएनएचा एक प्रकार आहे ज्यामध्ये २०० पेक्षा जास्त न्यूक्लिओटाइड्सचे ट्रान्सक्रिप्ट्स असतात. lncRNAs सर्वत्र आढळतात आणि मानवी ट्रान्सक्रिप्टोमचा सुमारे ८०% भाग बनवतात [१०]. अनेक संशोधनांनी हे दाखवून दिले आहे की lncRNA-आधारित रोगनिदान मॉडेल रुग्णाच्या रोगनिदानाचा प्रभावीपणे अंदाज लावू शकतात [११, १२]. उदाहरणार्थ, स्तनाच्या कर्करोगामध्ये रोगनिदानविषयक सिग्नेचर तयार करण्यासाठी १८ ऑटोफॅगी-संबंधित lncRNAs ओळखले गेले [१३]. ग्लिओमाची रोगनिदानविषयक वैशिष्ट्ये स्थापित करण्यासाठी इतर सहा रोगप्रतिकार-संबंधित lncRNAs वापरले गेले आहेत [१४].
स्वादुपिंडाच्या कर्करोगात, काही अभ्यासांनी रुग्णाच्या रोगनिदानाचा अंदाज लावण्यासाठी lncRNA-आधारित सिग्नेचर स्थापित केले आहेत. स्वादुपिंडाच्या ॲडेनोकार्सिनोमामध्ये एक 3-lncRNA सिग्नेचर स्थापित करण्यात आले, ज्यामध्ये ROC वक्राखालील क्षेत्र (AUC) फक्त 0.742 आणि एकूण जगण्याचा कालावधी (OS) 3 वर्षे होता [15]. याव्यतिरिक्त, lncRNA अभिव्यक्ती मूल्ये वेगवेगळ्या जीनोम, वेगवेगळ्या डेटा फॉरमॅट आणि वेगवेगळ्या रुग्णांमध्ये बदलतात आणि भविष्यसूचक मॉडेलची कार्यक्षमता अस्थिर असते. म्हणून, आम्ही अधिक अचूक आणि स्थिर भविष्यसूचक मॉडेल तयार करण्यासाठी रोगप्रतिकारशक्ती-संबंधित lncRNA (irlncRNA) सिग्नेचर निर्माण करण्याकरिता एक नवीन मॉडेलिंग अल्गोरिदम, पेअरिंग आणि इटरेशन, वापरतो [8].
सामान्यीकृत RNAseq डेटा (FPKM) आणि क्लिनिकल स्वादुपिंडाच्या कर्करोगाचा TCGA व जीनोटाइप टिश्यू एक्सप्रेशन (GTEx) डेटा UCSC XENA डेटाबेस (https://xenabrowser.net/datapages/) वरून मिळवण्यात आला. GTF फाइल्स Ensembl डेटाबेस (http://asia.ensembl.org) वरून मिळवण्यात आल्या आणि RNAseq मधून lncRNA एक्सप्रेशन प्रोफाइल काढण्यासाठी वापरण्यात आल्या. आम्ही ImmPort डेटाबेस (http://www.immport.org) वरून रोगप्रतिकारशक्ती-संबंधित जीन्स डाउनलोड केले आणि सहसंबंध विश्लेषणाचा वापर करून रोगप्रतिकारशक्ती-संबंधित lncRNAs (irlncRNAs) ओळखले (p < 0.001, r > 0.4). TCGA-PAAD कोहोर्टमध्ये GEPIA2 डेटाबेस (http://gepia2.cancer-pku.cn/#index) वरून मिळालेल्या irlncRNAs आणि भिन्नपणे व्यक्त झालेल्या lncRNAs यांना एकत्र करून भिन्नपणे व्यक्त झालेल्या irlncRNAs (DEirlncRNAs) ओळखण्यात आल्या (|logFC| > 1 आणि FDR) <0.05).
ही पद्धत पूर्वी [8] मध्ये नोंदवली गेली आहे. विशेषतः, आम्ही जोडलेल्या lncRNA A आणि lncRNA B च्या जागी X तयार करतो. जेव्हा lncRNA A चे अभिव्यक्ती मूल्य lncRNA B च्या अभिव्यक्ती मूल्यापेक्षा जास्त असते, तेव्हा X ला 1 असे परिभाषित केले जाते, अन्यथा X ला 0 असे परिभाषित केले जाते. त्यामुळे, आपल्याला 0 किंवा – 1 चा मॅट्रिक्स मिळतो. मॅट्रिक्सचा उभा अक्ष प्रत्येक नमुना दर्शवतो, आणि आडवा अक्ष 0 किंवा 1 मूल्य असलेली प्रत्येक DEirlncRNA जोडी दर्शवतो.
रोगनिदानविषयक DEirlncRNA जोड्या निवडण्यासाठी युनिव्हॅरिएट रिग्रेशन विश्लेषण आणि त्यानंतर लॅसो रिग्रेशनचा वापर करण्यात आला. लॅसो रिग्रेशन विश्लेषणात १०-पट क्रॉस-व्हॅलिडेशनचा वापर केला गेला, ज्याची १००० वेळा पुनरावृत्ती झाली (p < 0.05), आणि प्रत्येक रनमध्ये १००० यादृच्छिक उद्दीपक होते. जेव्हा १००० चक्रांमध्ये प्रत्येक DEirlncRNA जोडीची वारंवारता १०० पेक्षा जास्त झाली, तेव्हा रोगनिदानविषयक जोखीम मॉडेल तयार करण्यासाठी त्या DEirlncRNA जोड्या निवडण्यात आल्या. त्यानंतर आम्ही PAAD रुग्णांचे उच्च- आणि कमी-जोखीम गटांमध्ये वर्गीकरण करण्यासाठी इष्टतम कटऑफ मूल्य शोधण्याकरिता AUC वक्राचा वापर केला. प्रत्येक मॉडेलचे AUC मूल्य देखील मोजले गेले आणि ते एका वक्राच्या स्वरूपात रेखाटले गेले. जर वक्र कमाल AUC मूल्य दर्शविणाऱ्या सर्वोच्च बिंदूपर्यंत पोहोचला, तर गणना प्रक्रिया थांबते आणि ते मॉडेल सर्वोत्तम उमेदवार मानले जाते. १-, ३- आणि ५-वर्षांचे ROC वक्र मॉडेल तयार करण्यात आले. रोगनिदानविषयक जोखीम मॉडेलच्या स्वतंत्र भाकीत क्षमतेची तपासणी करण्यासाठी युनिव्हॅरिएट आणि मल्टीव्हॅरिएट रिग्रेशन विश्लेषणाचा वापर करण्यात आला.
रोगप्रतिकारक पेशींच्या घुसखोरीच्या दरांचा अभ्यास करण्यासाठी XCELL, TIMER, QUANTISEQ, MCPCOUNTER, EPIC, CIBERSORT-ABS, आणि CIBERSORT या सात साधनांचा वापर करण्यात आला. रोगप्रतिकारक पेशींच्या घुसखोरीचा डेटा TIMER2 डेटाबेसवरून (http://timer.comp-genomics.org/#tab-5817-3) डाउनलोड करण्यात आला. तयार केलेल्या मॉडेलमधील उच्च- आणि कमी-जोखमीच्या गटांमधील रोगप्रतिकारक घुसखोरी करणाऱ्या पेशींच्या प्रमाणातील फरकाचे विश्लेषण विल्कोक्सन साइन्ड-रँक चाचणीचा वापर करून करण्यात आले, ज्याचे परिणाम चौरस आलेखात दर्शविले आहेत. जोखीम गुणांक मूल्ये आणि रोगप्रतिकारक घुसखोरी करणाऱ्या पेशींमधील संबंधाचे विश्लेषण करण्यासाठी स्पीअरमन सहसंबंध विश्लेषण करण्यात आले. परिणामी सहसंबंध गुणांक लॉलीपॉपच्या स्वरूपात दर्शविला आहे. महत्त्वाची मर्यादा p < 0.05 अशी निश्चित करण्यात आली. ही प्रक्रिया ggplot2 या R पॅकेजचा वापर करून पार पाडण्यात आली. रोगप्रतिकारक पेशींच्या घुसखोरीच्या दराशी संबंधित मॉडेल आणि जनुकीय अभिव्यक्ती पातळी यांच्यातील संबंध तपासण्यासाठी, आम्ही ggstatsplot पॅकेज आणि व्हायोलिन प्लॉट व्हिज्युअलायझेशनचा वापर केला.
स्वादुपिंडाच्या कर्करोगासाठीच्या नैदानिक उपचार पद्धतींचे मूल्यांकन करण्यासाठी, आम्ही TCGA-PAAD समूहामध्ये सामान्यतः वापरल्या जाणाऱ्या केमोथेरपी औषधांच्या IC50 ची गणना केली. उच्च- आणि कमी-जोखमीच्या गटांमधील अर्ध-अवरोधक सांद्रतेमधील (IC50) फरक विल्कोक्सन साइन्ड-रँक चाचणीचा वापर करून तपासण्यात आले, आणि त्याचे परिणाम R मधील pRRophetic व ggplot2 वापरून तयार केलेल्या बॉक्सप्लॉटच्या स्वरूपात दर्शविले आहेत. सर्व पद्धती संबंधित मार्गदर्शक तत्त्वे आणि मानकांचे पालन करतात.
आमच्या अभ्यासाची कार्यप्रवाह पद्धत आकृती १ मध्ये दर्शविली आहे. lncRNAs आणि रोगप्रतिकारशक्ती-संबंधित जनुकांमधील सहसंबंध विश्लेषणाचा वापर करून, आम्ही p < 0.01 आणि r > 0.4 असलेले ७२४ irlncRNAs निवडले. त्यानंतर आम्ही GEPIA2 च्या भिन्नपणे व्यक्त झालेल्या lncRNAs चे विश्लेषण केले (आकृती २अ). स्वादुपिंडाचा ॲडेनोकार्सिनोमा आणि सामान्य स्वादुपिंडाच्या ऊतींमध्ये एकूण २२३ irlncRNAs भिन्नपणे व्यक्त झाले होते (|logFC| > 1, FDR < 0.05), ज्यांना DEirlncRNAs असे नाव देण्यात आले.
भविष्यसूचक जोखीम मॉडेलची रचना. (A) भिन्नपणे व्यक्त झालेल्या lncRNA चा व्होल्कॅनो प्लॉट. (B) 20 DEirlncRNA जोड्यांसाठी लॅसो गुणांकांचे वितरण. (C) लॅसो गुणांक वितरणाचे आंशिक संभाव्यता विचलन. (D) 20 DEirlncRNA जोड्यांचे एकचलीय प्रतिगमन विश्लेषण दर्शवणारा फॉरेस्ट प्लॉट.
पुढे आम्ही २२३ DEirlncRNA च्या जोड्या लावून ० किंवा १ मॅट्रिक्स तयार केला. एकूण १३,६८७ DEirlncRNA जोड्या ओळखल्या गेल्या. युनिव्हॅरिएट आणि लॅसो रिग्रेशन विश्लेषणानंतर, एक रोगनिदानविषयक जोखीम मॉडेल तयार करण्यासाठी अखेरीस २० DEirlncRNA जोड्या तपासल्या गेल्या (आकृती २B-D). लॅसो आणि मल्टिपल रिग्रेशन विश्लेषणाच्या निकालांवर आधारित, आम्ही TCGA-PAAD गटातील प्रत्येक रुग्णासाठी जोखीम स्कोअरची गणना केली (तक्ता १). लॅसो रिग्रेशन विश्लेषणाच्या निकालांवर आधारित, आम्ही TCGA-PAAD गटातील प्रत्येक रुग्णासाठी जोखीम स्कोअरची गणना केली. ROC वक्राचा AUC हा १-वर्षाच्या जोखीम मॉडेल अंदाजासाठी ०.९०५, २-वर्षाच्या अंदाजासाठी ०.९४२ आणि ३-वर्षाच्या अंदाजासाठी ०.९६६ होता (आकृती ३A-B). आम्ही 3.105 चे एक इष्टतम कटऑफ मूल्य निश्चित केले, TCGA-PAAD गटातील रुग्णांना उच्च- आणि कमी-जोखमीच्या गटांमध्ये विभागले आणि प्रत्येक रुग्णासाठी जगण्याचे परिणाम आणि जोखीम गुणांकांचे वितरण आलेखाद्वारे दर्शवले (आकृती 3C-E). कॅपलान-मेयर विश्लेषणातून असे दिसून आले की उच्च-जोखमीच्या गटातील PAAD रुग्णांचे जगण्याचे प्रमाण कमी-जोखमीच्या गटातील रुग्णांपेक्षा लक्षणीयरीत्या कमी होते (p < 0.001) (आकृती 3F).
रोगनिदानविषयक जोखीम मॉडेल्सची वैधता. (A) रोगनिदानविषयक जोखीम मॉडेलचा ROC. (B) १-, २-, आणि ३-वर्षांच्या रोगनिदानविषयक जोखीम मॉडेल्सचा ROC. (C) रोगनिदानविषयक जोखीम मॉडेलचा ROC. इष्टतम कट-ऑफ बिंदू दर्शवतो. (DE) जगण्याच्या स्थितीचे (D) आणि जोखीम गुणांकांचे (E) वितरण. (F) उच्च- आणि कमी-जोखीम गटांतील PAAD रुग्णांचे कॅपलान-मेयर विश्लेषण.
आम्ही क्लिनिकल वैशिष्ट्यांनुसार जोखीम गुणांकांमधील फरकांचे अधिक मूल्यांकन केले. स्ट्रिप प्लॉट (आकृती 4A) क्लिनिकल वैशिष्ट्ये आणि जोखीम गुणांक यांच्यातील एकूण संबंध दर्शवतो. विशेषतः, वृद्ध रुग्णांचे जोखीम गुणांक जास्त होते (आकृती 4B). याव्यतिरिक्त, स्टेज I च्या रुग्णांपेक्षा स्टेज II च्या रुग्णांचे जोखीम गुणांक जास्त होते (आकृती 4C). PAAD रुग्णांमधील ट्यूमर ग्रेडच्या बाबतीत, ग्रेड 1 आणि 2 च्या रुग्णांपेक्षा ग्रेड 3 च्या रुग्णांचे जोखीम गुणांक जास्त होते (आकृती 4D). आम्ही पुढे युनिव्हॅरिएट आणि मल्टीव्हेरिअट रिग्रेशन विश्लेषण केले आणि दाखवून दिले की जोखीम गुणांक (p < 0.001) आणि वय (p = 0.045) हे PAAD असलेल्या रुग्णांमधील स्वतंत्र रोगनिदानविषयक घटक होते (आकृती 5A-B). ROC वक्राने दाखवून दिले की PAAD असलेल्या रुग्णांच्या 1-, 2-, आणि 3-वर्षांच्या जगण्याचा अंदाज वर्तवण्यासाठी जोखीम गुणांक इतर क्लिनिकल वैशिष्ट्यांपेक्षा श्रेष्ठ होता (आकृती 5C-E).
रोगनिदानविषयक जोखीम मॉडेलची क्लिनिकल वैशिष्ट्ये. हिस्टोग्राम (A) मध्ये TCGA-PAAD समूहातील रुग्णांचे (B) वय, (C) ट्यूमरची अवस्था, (D) ट्यूमरचा दर्जा, जोखीम स्कोअर आणि लिंग दर्शविले आहे. **p < 0.01
रोगनिदानविषयक जोखीम मॉडेल्सचे स्वतंत्र भविष्यसूचक विश्लेषण. (AB) रोगनिदानविषयक जोखीम मॉडेल्स आणि क्लिनिकल वैशिष्ट्यांचे एकचलीय (A) आणि बहुचलीय (B) रिग्रेशन विश्लेषण. (CE) रोगनिदानविषयक जोखीम मॉडेल्स आणि क्लिनिकल वैशिष्ट्यांसाठी १-, २-, आणि ३-वर्षांचे ROC.
म्हणून, आम्ही वेळ आणि जोखीम गुणांक यांच्यातील संबंध तपासला. आम्हाला आढळले की PAAD रुग्णांमधील जोखीम गुणांक हा CD8+ T पेशी आणि NK पेशींशी व्यस्त प्रमाणात संबंधित होता (आकृती 6A), जे उच्च-जोखीम गटात रोगप्रतिकारक शक्ती कमी झाल्याचे दर्शवते. आम्ही उच्च आणि कमी-जोखीम गटांमधील रोगप्रतिकारक पेशींच्या घुसखोरीतील फरकाचेही मूल्यांकन केले आणि आम्हाला तेच परिणाम आढळले (आकृती 7). उच्च-जोखीम गटात CD8+ T पेशी आणि NK पेशींची घुसखोरी कमी होती. अलिकडच्या वर्षांत, सॉलिड ट्यूमरच्या उपचारांमध्ये इम्युन चेकपॉइंट इनहिबिटर (ICIs) चा मोठ्या प्रमाणावर वापर केला जात आहे. तथापि, स्वादुपिंडाच्या कर्करोगात ICIs चा वापर क्वचितच यशस्वी झाला आहे. म्हणून, आम्ही उच्च आणि कमी-जोखीम गटांमध्ये इम्युन चेकपॉइंट जनुकांच्या अभिव्यक्तीचे मूल्यांकन केले. आम्हाला आढळले की कमी-जोखीम गटात CTLA-4 आणि CD161 (KLRB1) यांची अभिव्यक्ती जास्त होती (आकृती 6B-G), जे दर्शवते की कमी-जोखीम गटातील PAAD रुग्ण ICI ला संवेदनशील असू शकतात.
रोगनिदानविषयक जोखीम मॉडेल आणि रोगप्रतिकारक पेशींच्या घुसखोरीचे सहसंबंध विश्लेषण. (अ) रोगनिदानविषयक जोखीम मॉडेल आणि रोगप्रतिकारक पेशींच्या घुसखोरीमधील सहसंबंध. (बीजी) उच्च आणि कमी जोखीम गटांमधील जनुकीय अभिव्यक्ती दर्शवते. (एचके) उच्च आणि कमी जोखीम गटांमधील विशिष्ट कर्करोगविरोधी औषधांसाठी IC50 मूल्ये. *p < 0.05, **p < 0.01, ns = लक्षणीय नाही
आम्ही TCGA-PAAD समूहामध्ये जोखीम गुणांक आणि सामान्य केमोथेरपी औषधे यांच्यातील संबंधाचे अधिक मूल्यांकन केले. आम्ही स्वादुपिंडाच्या कर्करोगामध्ये सामान्यतः वापरल्या जाणाऱ्या कर्करोगविरोधी औषधांचा शोध घेतला आणि उच्च-जोखीम व कमी-जोखीम गटांमधील त्यांच्या IC50 मूल्यांमधील फरकांचे विश्लेषण केले. निकालांवरून असे दिसून आले की, AZD.2281 (ओलापारिब) चे IC50 मूल्य उच्च-जोखीम गटामध्ये जास्त होते, जे सूचित करते की उच्च-जोखीम गटातील PAAD रुग्ण AZD.2281 उपचारांना प्रतिरोधक असू शकतात (आकृती 6H). याव्यतिरिक्त, पॅक्लिटॅक्सेल, सोराफेनिब आणि अर्लोटिनिब यांची IC50 मूल्ये उच्च-जोखीम गटामध्ये कमी होती (आकृती 6I-K). आम्ही पुढे उच्च-जोखीम गटामध्ये जास्त IC50 मूल्ये असलेली ३४ कर्करोगविरोधी औषधे आणि कमी IC50 मूल्ये असलेली ३४ कर्करोगविरोधी औषधे ओळखली (तक्ता २).
हे नाकारता येत नाही की lncRNAs, mRNAs आणि miRNAs मोठ्या प्रमाणावर अस्तित्वात आहेत आणि कर्करोगाच्या विकासात महत्त्वपूर्ण भूमिका बजावतात. अनेक प्रकारच्या कर्करोगांमध्ये एकूण जगण्याचा कालावधी (overall survival) वर्तवण्यासाठी mRNA किंवा miRNA च्या महत्त्वपूर्ण भूमिकेला समर्थन देणारे पुरेसे पुरावे आहेत. निःसंशयपणे, अनेक रोगनिदानविषयक जोखीम मॉडेल्स (prognostic risk models) देखील lncRNAs वर आधारित आहेत. उदाहरणार्थ, लूओ आणि त्यांच्या सहकाऱ्यांच्या अभ्यासातून असे दिसून आले आहे की LINC01094 स्वादुपिंडाच्या कर्करोगाच्या (PC) प्रसारात आणि मेटास्टॅसिसमध्ये (metastasis) महत्त्वाची भूमिका बजावते, आणि LINC01094 ची उच्च अभिव्यक्ती (high expression) स्वादुपिंडाच्या कर्करोगाच्या रुग्णांमध्ये जगण्याची शक्यता कमी असल्याचे दर्शवते [16]. लिन आणि त्यांच्या सहकाऱ्यांनी सादर केलेल्या अभ्यासात असे दिसून आले आहे की lncRNA FLVCR1-AS1 चे डाउनरेग्युलेशन (downregulation) स्वादुपिंडाच्या कर्करोगाच्या रुग्णांमध्ये खराब रोगनिदानाशी संबंधित आहे [17]. तथापि, कर्करोगाच्या रुग्णांच्या एकूण जगण्याचा कालावधी वर्तवण्याच्या संदर्भात रोगप्रतिकारशक्तीशी संबंधित lncRNAs वर तुलनेने कमी चर्चा केली गेली आहे. अलीकडे, कर्करोगाच्या रुग्णांच्या जगण्याचा कालावधी वर्तवण्यासाठी आणि त्याद्वारे उपचार पद्धती समायोजित करण्यासाठी रोगनिदानविषयक जोखीम मॉडेल्स तयार करण्यावर मोठ्या प्रमाणात काम केंद्रित केले गेले आहे [18, 19, 20]. कर्करोगाची सुरुवात, वाढ आणि केमोथेरपीसारख्या उपचारांना मिळणारा प्रतिसाद यामध्ये रोगप्रतिकारक पेशींच्या महत्त्वाच्या भूमिकेला वाढती मान्यता मिळत आहे. असंख्य अभ्यासांनी याची पुष्टी केली आहे की ट्यूमरमध्ये घुसलेल्या रोगप्रतिकारक पेशी सायटोटॉक्सिक केमोथेरपीला प्रतिसाद देण्यात महत्त्वपूर्ण भूमिका बजावतात [21, 22, 23]. ट्यूमरमधील रोगप्रतिकारक सूक्ष्म-वातावरण हे ट्यूमर रुग्णांच्या जगण्यामध्ये एक महत्त्वाचा घटक आहे [24, 25]. इम्युनोथेरपी, विशेषतः आयसीआय थेरपी, सॉलिड ट्यूमरच्या उपचारांमध्ये मोठ्या प्रमाणावर वापरली जाते [26]. रोगनिदानविषयक जोखीम मॉडेल तयार करण्यासाठी रोगप्रतिकारक-संबंधित जनुकांचा मोठ्या प्रमाणावर वापर केला जातो. उदाहरणार्थ, सु एट अल. यांनी अंडाशयाच्या कर्करोगाच्या रुग्णांच्या रोगनिदानाचा अंदाज लावण्यासाठी प्रथिन-कोडिंग जनुकांवर आधारित रोगप्रतिकारक-संबंधित रोगनिदानविषयक जोखीम मॉडेल तयार केले आहे [27]. एलएनसीआरएनए (lncRNAs) सारखी नॉन-कोडिंग जनुके देखील रोगनिदानविषयक जोखीम मॉडेल तयार करण्यासाठी योग्य आहेत [28, 29, 30]. लुओ एट अल यांनी चार रोगप्रतिकारक-संबंधित एलएनसीआरएनएची चाचणी केली आणि गर्भाशयाच्या मुखाच्या कर्करोगाच्या जोखमीसाठी एक भविष्यसूचक मॉडेल तयार केले [31]. खान एट अल. एकूण 32 भिन्नपणे व्यक्त केलेले ट्रान्सक्रिप्ट्स ओळखले गेले आणि यावर आधारित, 5 महत्त्वपूर्ण ट्रान्सक्रिप्ट्ससह एक भविष्यवाणी मॉडेल स्थापित केले गेले, जे मूत्रपिंड प्रत्यारोपणानंतर बायोप्सी-सिद्ध तीव्र अस्वीकृतीचा अंदाज लावण्यासाठी अत्यंत शिफारस केलेले साधन म्हणून प्रस्तावित केले गेले [32].
यापैकी बहुतेक मॉडेल्स प्रथिन-संकेत देणाऱ्या जनुकांच्या किंवा प्रथिन-संकेत न देणाऱ्या जनुकांच्या जनुकीय अभिव्यक्तीच्या पातळीवर आधारित असतात. तथापि, एकाच जनुकाची अभिव्यक्ती मूल्ये वेगवेगळ्या जीनोममध्ये, डेटा फॉरमॅटमध्ये आणि वेगवेगळ्या रुग्णांमध्ये भिन्न असू शकतात, ज्यामुळे भविष्यसूचक मॉडेल्समध्ये अस्थिर अंदाज येतात. या अभ्यासात, आम्ही अचूक अभिव्यक्ती मूल्यांवर अवलंबून न राहता, lncRNA च्या दोन जोड्या वापरून एक तर्कसंगत मॉडेल तयार केले.
या अभ्यासात, आम्ही रोगप्रतिकारशक्ती-संबंधित जनुकांशी सहसंबंध विश्लेषणाद्वारे प्रथमच irlncRNA ओळखले. आम्ही भिन्नपणे व्यक्त होणाऱ्या lncRNA सोबत हायब्रिडायझेशन करून २२३ DEirlncRNA निवडले. दुसरे म्हणजे, आम्ही प्रकाशित DEirlncRNA जोडी पद्धतीवर आधारित ०-किंवा-१ मॅट्रिक्स तयार केला [३१]. त्यानंतर आम्ही रोगनिदानविषयक DEirlncRNA जोड्या ओळखण्यासाठी आणि एक भविष्यसूचक जोखीम मॉडेल तयार करण्यासाठी युनिव्हॅरिएट आणि लॅसो रिग्रेशन विश्लेषण केले. आम्ही PAAD असलेल्या रुग्णांमध्ये जोखीम स्कोअर आणि क्लिनिकल वैशिष्ट्यांमधील संबंधाचे पुढे विश्लेषण केले. आम्हाला आढळले की आमचे रोगनिदानविषयक जोखीम मॉडेल, PAAD रुग्णांमधील एक स्वतंत्र रोगनिदानविषयक घटक म्हणून, उच्च-श्रेणीच्या रुग्णांना निम्न-श्रेणीच्या रुग्णांपासून आणि उच्च-श्रेणीच्या रुग्णांना निम्न-श्रेणीच्या रुग्णांपासून प्रभावीपणे वेगळे करू शकते. याव्यतिरिक्त, रोगनिदानविषयक जोखीम मॉडेलच्या ROC वक्राची AUC मूल्ये १-वर्षाच्या अंदाजासाठी ०.९०५, २-वर्षाच्या अंदाजासाठी ०.९४२ आणि ३-वर्षाच्या अंदाजासाठी ०.९६६ होती.
संशोधकांनी नोंदवले की ज्या रुग्णांमध्ये CD8+ T पेशींचा शिरकाव जास्त असतो ते ICI उपचारांसाठी अधिक संवेदनशील असतात [33]. ट्यूमरच्या रोगप्रतिकारक सूक्ष्म-वातावरणात सायटोटॉक्सिक पेशी, CD56 NK पेशी, NK पेशी आणि CD8+ T पेशींच्या प्रमाणात वाढ हे ट्यूमर दमनकारी परिणामामागील एक कारण असू शकते [34]. मागील अभ्यासातून असे दिसून आले आहे की ट्यूमरमध्ये शिरकाव करणाऱ्या CD4(+) T आणि CD8(+) T पेशींची उच्च पातळी जास्त जगण्याशी लक्षणीयरीत्या संबंधित होती [35]. CD8 T पेशींचा कमी शिरकाव, कमी निओअँटीजेन भार आणि अत्यंत रोगप्रतिकारक शक्ती कमी करणारे ट्यूमर सूक्ष्म-वातावरण यामुळे ICI थेरपीला प्रतिसाद मिळत नाही [36]. आम्हाला आढळले की जोखीम गुणांक हा CD8+ T पेशी आणि NK पेशींशी नकारात्मकपणे संबंधित होता, जे दर्शवते की उच्च जोखीम गुणांक असलेले रुग्ण ICI उपचारांसाठी योग्य नसतील आणि त्यांचा रोगनिदान अधिक वाईट असेल.
CD161 हे नैसर्गिक किलर (NK) पेशींचे मार्कर आहे. CD8+CD161+ CAR-ट्रान्सड्यूस्ड टी पेशी HER2+ स्वादुपिंडाच्या डक्टल ॲडेनोकार्सिनोमा झेनोग्राफ्ट मॉडेल्समध्ये वाढीव इन व्हिविओ अँटीट्यूमर प्रभावीपणा मध्यस्थ करतात [37]. इम्युन चेकपॉइंट इनहिबिटर सायटोटॉक्सिक टी लिम्फोसाइट असोसिएटेड प्रोटीन 4 (CTLA-4) आणि प्रोग्राम्ड सेल डेथ प्रोटीन 1 (PD-1)/प्रोग्राम्ड सेल डेथ लिगँड 1 (PD-L1) मार्गांना लक्ष्य करतात आणि अनेक क्षेत्रांमध्ये त्यांची मोठी क्षमता आहे. उच्च-जोखमीच्या गटांमध्ये CTLA-4 आणि CD161 (KLRB1) ची अभिव्यक्ती कमी असते, जे पुढे सूचित करते की उच्च-जोखमीचे स्कोअर असलेले रुग्ण ICI उपचारांसाठी पात्र नसतील. [38]
उच्च-जोखीम असलेल्या रुग्णांसाठी योग्य उपचार पर्याय शोधण्यासाठी, आम्ही विविध कर्करोगविरोधी औषधांचे विश्लेषण केले आणि असे आढळले की पॅक्लिटॅक्सेल, सोराफेनिब आणि अर्लोटिनिब, जे PAAD असलेल्या रुग्णांमध्ये मोठ्या प्रमाणावर वापरले जातात, ते PAAD असलेल्या उच्च-जोखीम रुग्णांसाठी योग्य असू शकतात. [33]. झांग आणि त्यांच्या सहकाऱ्यांनी असे आढळले की कोणत्याही डीएनए डॅमेज रिस्पॉन्स (DDR) मार्गातील उत्परिवर्तनामुळे प्रोस्टेट कर्करोगाच्या रुग्णांमध्ये खराब रोगनिदान होऊ शकते [39]. पॅनक्रियाटिक कॅन्सर ओलापारिब ऑनगोइंग (POLO) चाचणीने दाखवले की पॅनक्रियाटिक डक्टल ॲडेनोकार्सिनोमा आणि जर्मलाइन BRCA1/2 उत्परिवर्तन असलेल्या रुग्णांमध्ये पहिल्या-ओळीच्या प्लॅटिनम-आधारित केमोथेरपीनंतर प्लेसिबोच्या तुलनेत ओलापारिबसह देखभाल उपचाराने प्रोग्रेशन-फ्री सर्व्हायव्हल वाढवला [40]. यामुळे महत्त्वपूर्ण आशावाद निर्माण होतो की रुग्णांच्या या उपसमूहामध्ये उपचारांचे परिणाम लक्षणीयरीत्या सुधारतील. या अभ्यासात, AZD.2281 (ओलापारिब) चे IC50 मूल्य उच्च-जोखीम गटात जास्त होते, जे सूचित करते की उच्च-जोखीम गटातील PAAD रुग्ण AZD.2281 च्या उपचारांना प्रतिरोधक असू शकतात.
या अभ्यासातील पूर्वानुमान मॉडेल चांगले पूर्वानुमान परिणाम देतात, परंतु ते विश्लेषणात्मक अंदाजांवर आधारित आहेत. क्लिनिकल डेटासह या परिणामांची पुष्टी कशी करावी हा एक महत्त्वाचा प्रश्न आहे. एंडोस्कोपिक फाइन नीडल ॲस्पिरेशन अल्ट्रासोनोग्राफी (EUS-FNA) ही घन आणि स्वादुपिंडाबाहेरील स्वादुपिंडाच्या विकारांचे निदान करण्यासाठी एक अपरिहार्य पद्धत बनली आहे, ज्याची संवेदनशीलता ८५% आणि विशिष्टता ९८% आहे [४१]. EUS फाइन-नीडल बायोप्सी (EUS-FNB) सुयांचा उदय मुख्यत्वे FNA पेक्षा अधिक असलेल्या फायद्यांवर आधारित आहे, जसे की उच्च निदान अचूकता, ऊतीशास्त्रीय रचना जतन करणारे नमुने मिळवणे आणि त्यामुळे विशिष्ट निदानांसाठी महत्त्वपूर्ण असलेले रोगप्रतिकारक ऊतक तयार करणे [४२]. साहित्याच्या पद्धतशीर पुनरावलोकनाने पुष्टी केली आहे की FNB सुया (विशेषतः २२G) स्वादुपिंडाच्या गाठींमधून ऊतक काढण्यात सर्वाधिक कार्यक्षमता दर्शवतात [४३]. वैद्यकीयदृष्ट्या, केवळ काही मोजकेच रुग्ण आमूलाग्र शस्त्रक्रियेसाठी पात्र आहेत आणि बहुतेक रुग्णांमध्ये सुरुवातीच्या निदानाच्या वेळी शस्त्रक्रिया न करता येण्याजोग्या गाठी असतात. वैद्यकीय व्यवहारात, केवळ थोड्याच रुग्णांवर आमूलाग्र शस्त्रक्रिया करणे शक्य असते, कारण सुरुवातीच्या निदानाच्या वेळी बहुतेक रुग्णांच्या गाठी शस्त्रक्रियेने काढता न येण्यासारख्या असतात. EUS-FNB आणि इतर पद्धतींद्वारे पॅथॉलॉजिकल पुष्टीकरणानंतर, केमोथेरपीसारखे प्रमाणित शस्त्रक्रिया-विरहित उपचार सहसा निवडले जातात. आमच्या पुढील संशोधन कार्यक्रमात, पूर्वलक्षी विश्लेषणाद्वारे शस्त्रक्रिया केलेल्या आणि शस्त्रक्रिया-विरहित गटांमध्ये या अभ्यासाच्या रोगनिदान मॉडेलची चाचणी करणे समाविष्ट आहे.
एकंदरीत, आमच्या अभ्यासाने जोडलेल्या irlncRNA वर आधारित एक नवीन रोगनिदानविषयक जोखीम मॉडेल स्थापित केले, ज्याने स्वादुपिंडाच्या कर्करोगाच्या रुग्णांमध्ये आशादायक रोगनिदानविषयक मूल्य दाखवले. आमचे रोगनिदानविषयक जोखीम मॉडेल, वैद्यकीय उपचारांसाठी योग्य असलेल्या PAAD रुग्णांमध्ये फरक करण्यास मदत करू शकते.
या अभ्यासात वापरलेले आणि विश्लेषण केलेले डेटासेट, योग्य विनंती केल्यावर संबंधित लेखकाकडून उपलब्ध होतील.
सुई वेन, गोंग एक्स, झुआंग वाय. कोविड-१९ महामारीच्या काळात नकारात्मक भावनांच्या भावनिक नियमनात आत्म-कार्यक्षमतेची मध्यस्थ भूमिका: एक क्रॉस-सेक्शनल अभ्यास. इंट जे मेंट हेल्थ नर्स [जर्नल लेख]. २०२१ ०६/०१/२०२१;३०(३):७५९–७१.
सुई वेन, गोंग एक्स, किआओ एक्स, झांग एल, चेंग जे, डोंग जे, आणि इतर. अतिदक्षता विभागातील पर्यायी निर्णय प्रक्रियेवर कुटुंबियांची मते: एक पद्धतशीर पुनरावलोकन. INT J NURS STUD [मासिक लेख; पुनरावलोकन]. २०२३ ०१/०१/२०२३;१३७:१०४३९१.
व्हिन्सेंट ए, हर्मन जे, शुलिच आर, ह्रुबान आरएच, गॉगिन्स एम. स्वादुपिंडाचा कर्करोग. लॅन्सेट. [जर्नल लेख; संशोधन सहाय्य, एनआयएच, बाह्य; संशोधन सहाय्य, अमेरिकेबाहेरील सरकार; पुनरावलोकन]. 2011 08/13/2011;378(9791):607–20.
इलिक एम, इलिक आय. स्वादुपिंडाच्या कर्करोगाचे साथरोगशास्त्र. वर्ल्ड जर्नल ऑफ गॅस्ट्रोएन्टेरोलॉजी. [जर्नल लेख, पुनरावलोकन]. 2016 11/28/2016;22(44):9694–705.
लिऊ एक्स, चेन बी, चेन जे, सन एस. स्वादुपिंडाच्या कर्करोगाच्या रुग्णांमध्ये एकूण जगण्याचा कालावधी वर्तवण्यासाठी एक नवीन टीपी53-संबंधित नोमोग्राम. बीएमसी कॅन्सर [जर्नल लेख]. 2021 31-03-2021;21(1):335.
झियान एक्स, झू एक्स, चेन वाय, हुआंग बी, झियांग डब्ल्यू. केमोथेरपी घेत असलेल्या कोलोरेक्टल कर्करोगाच्या रुग्णांमधील कर्करोगाशी संबंधित थकव्यावर उपाय-केंद्रित थेरपीचा परिणाम: एक यादृच्छिक नियंत्रित चाचणी. कॅन्सर नर्स. [जर्नल लेख; यादृच्छिक नियंत्रित चाचणी; या अभ्यासाला अमेरिकेबाहेरील सरकारचा पाठिंबा आहे]. २०२२ ०५/०१/२०२२;४५(३):E६६३–७३.
झांग चेंग, झेंग वेन, लू वाय, शान एल, झू डोंग, पॅन वाय, आणि इतर. शस्त्रक्रियेपूर्वी सामान्य कार्सिनोएम्ब्रायोनिक अँटीजेन (CEA) पातळी असलेल्या रुग्णांमध्ये शस्त्रक्रियेनंतरची CEA पातळी कोलोरेक्टल कर्करोगाच्या शस्त्रक्रियेनंतरच्या परिणामाचा अंदाज लावते. सेंटर फॉर ट्रान्सलेशनल कॅन्सर रिसर्च. [जर्नल लेख]. २०२० ०१.०१.२०२०; ९(१):१११–८.
हाँग वेन, लिआंग ली, गु यू, ची झी, किउ हुआ, यांग एक्स, आणि इतर. रोगप्रतिकारक शक्तीशी संबंधित lncRNAs नवीन वैशिष्ट्ये निर्माण करतात आणि मानवी यकृताच्या कर्करोगाच्या रोगप्रतिकारक शक्तीच्या स्थितीचा अंदाज लावतात. मोल थेर न्यूक्लिक अॅसिड्स [जर्नल लेख]. 2020 2020-12-04;22:937 – 47.
टॉफे आरजे, झू वाय., शुलिच आरडी स्वादुपिंडाच्या कर्करोगासाठी इम्युनोथेरपी: अडथळे आणि यश. ॲन गॅस्ट्रोइंटेस्टाइनल सर्जन [जर्नल लेख; पुनरावलोकन]. 2018 07/01/2018;2(4):274–81.
हल आर, म्बिता झेड, डलामिनी झेड. लाँग नॉन-कोडिंग आरएनए (LncRNAs), व्हायरल ट्यूमर जीनोमिक्स आणि असामान्य स्प्लिसिंग घटना: उपचारात्मक परिणाम. एएम जे कॅन्सर रिसर्च [जर्नल लेख; पुनरावलोकन]. २०२१ ०१/२०/२०२१;११(३):८६६–८३.
वांग जे, चेन पी, झांग वाय, डिंग जे, यांग वाय, ली एच. ११-एंडोमेट्रियल कर्करोगाच्या निदानाशी संबंधित lncRNA सिग्नेचरची ओळख. अचिव्हमेंट्स ऑफ सायन्स [मासिक लेख]. २०२१ २०२१-०१-०१;१०४(१):३११९७७०८९.
जियांग एस, रेन एच, लिऊ एस, लू झेड, झू ए, किन एस, आणि इतर. पॅपिलरी सेल रीनल सेल कार्सिनोमामध्ये आरएनए-बाइंडिंग प्रोटीन प्रोग्नोस्टिक जीन्स आणि औषध उमेदवारांचे सर्वसमावेशक विश्लेषण. प्रीजेन. [जर्नल लेख]. २०२१ ०१/२०/२०२१;१२:६२७५०८.
ली एक्स, चेन जे, यू क्यू, हुआंग एक्स, लिऊ झेड, वांग एक्स, इत्यादी. ऑटोफॅगी-संबंधित लाँग नॉन-कोडिंग आरएनएची वैशिष्ट्ये स्तनाच्या कर्करोगाच्या रोगनिदानाचा अंदाज लावतात. प्रीजेन. [जर्नल लेख]. २०२१ ०१/२०/२०२१;१२:५६९३१८.
झोऊ एम, झांग झेड, झाओ एक्स, बाओ एस, चेंग एल, सन जे. इम्यून-रिलेटेड सिक्स एलएनसीआरएनए सिग्नेचर ग्लिओब्लास्टोमा मल्टीफॉर्ममध्ये रोगनिदान सुधारते. एमओएल न्यूरोबायोलॉजी. [जर्नल लेख]. 2018 01.05.2018;55(5):3684–97.
वू बी, वांग क्यू, फेई जे, बाओ वाय, वांग एक्स, सॉन्ग झेड, आणि इतर. एक नवीन ट्राय-एलएनसीआरएनए सिग्नेचर स्वादुपिंडाच्या कर्करोगाच्या रुग्णांच्या जगण्याचा अंदाज लावते. रिप्रेझेंटेटिव्हज ऑफ ऑन्कोल. [जर्नल लेख]. 2018 12/01/2018;40(6):3427–37.
लूओ सी, लिन के, हू सी, झू एक्स, झू जे, झू झेड. LINC01094 स्पंज्ड miR-577 द्वारे LIN28B अभिव्यक्ती आणि PI3K/AKT मार्गाचे नियमन करून स्वादुपिंडाच्या कर्करोगाच्या प्रगतीस प्रोत्साहन देते. मोल थेरप्युटिक्स – न्यूक्लिक अॅसिड्स. २०२१;२६:५२३–३५.
लिन जे, झाई एक्स, झोऊ एस, झू झेड, झांग जे, जियांग एल, इत्यादी. एलएनसीआरएनए FLVCR1-AS1 आणि KLF10 मधील सकारात्मक प्रतिसाद PTEN/AKT मार्गाने स्वादुपिंडाच्या कर्करोगाच्या प्रगतीस प्रतिबंध करू शकतो. जे एक्सप क्लिन कॅन्सर रेस. २०२१;४०(१).
झोउ एक्स, लिऊ एक्स, झेंग एक्स, वू डी, लिऊ एल. यकृताच्या कर्करोगामध्ये एकूण जगण्याचा कालावधी वर्तवणारे तेरा जनुकांचे ओळख. बायोसायन्स रिपोर्ट [जर्नल लेख]. २०२१ ०४/०९/२०२१.
पोस्ट करण्याची वेळ: २२ सप्टेंबर २०२३