Kanker pankreas merupakan salah satu tumor paling mematikan di dunia dengan prognosis yang buruk.Oleh karena itu, model prediksi yang akurat diperlukan untuk mengidentifikasi pasien yang berisiko tinggi terkena kanker pankreas guna menyesuaikan pengobatan dan meningkatkan prognosis pasien tersebut.
Kami memperoleh data RNAseq The Cancer Genome Atlas (TCGA) pankreas adenocarcinoma (PAAD) dari database UCSC Xena, mengidentifikasi lncRNA terkait kekebalan (irlncRNAs) melalui analisis korelasi, dan mengidentifikasi perbedaan antara TCGA dan jaringan adenokarsinoma pankreas normal.DEirlncRNA) dari TCGA dan ekspresi jaringan genotipe (GTEx) jaringan pankreas.Analisis regresi univariat dan laso lebih lanjut dilakukan untuk membangun model tanda tangan prognostik.Kami kemudian menghitung area di bawah kurva dan menentukan nilai batas optimal untuk mengidentifikasi pasien dengan adenokarsinoma pankreas risiko tinggi dan rendah.Untuk membandingkan karakteristik klinis, infiltrasi sel imun, lingkungan mikro imunosupresif, dan resistensi kemoterapi pada pasien kanker pankreas risiko tinggi dan rendah.
Kami mengidentifikasi 20 pasangan DEirlncRNA dan mengelompokkan pasien berdasarkan nilai batas optimal.Kami menunjukkan bahwa model tanda prognostik kami memiliki kinerja yang signifikan dalam memprediksi prognosis pasien dengan PAAD.AUC kurva ROC adalah 0,905 untuk ramalan 1 tahun, 0,942 untuk ramalan 2 tahun, dan 0,966 untuk ramalan 3 tahun.Pasien berisiko tinggi memiliki tingkat kelangsungan hidup yang lebih rendah dan karakteristik klinis yang lebih buruk.Kami juga menunjukkan bahwa pasien berisiko tinggi mengalami imunosupresi dan mungkin mengalami resistensi terhadap imunoterapi.Evaluasi obat antikanker seperti paclitaxel, sorafenib, dan erlotinib berdasarkan alat prediksi komputasi mungkin sesuai untuk pasien berisiko tinggi dengan PAAD.
Secara keseluruhan, penelitian kami menetapkan model risiko prognostik baru berdasarkan pasangan irlncRNA, yang menunjukkan nilai prognostik yang menjanjikan pada pasien dengan kanker pankreas.Model risiko prognostik kami dapat membantu membedakan pasien PAAD yang cocok untuk perawatan medis.
Kanker pankreas merupakan tumor ganas dengan tingkat kelangsungan hidup lima tahun yang rendah dan tingkat yang tinggi.Pada saat diagnosis, sebagian besar pasien sudah berada pada stadium lanjut.Dalam konteks epidemi COVID-19, dokter dan perawat berada di bawah tekanan yang sangat besar ketika merawat pasien penderita kanker pankreas, dan keluarga pasien juga menghadapi berbagai tekanan ketika mengambil keputusan pengobatan [1, 2].Meskipun kemajuan besar telah dicapai dalam pengobatan DOAD, seperti terapi neoadjuvan, reseksi bedah, terapi radiasi, kemoterapi, terapi molekuler bertarget, dan inhibitor pos pemeriksaan imun (ICI), hanya sekitar 9% pasien yang bertahan hidup lima tahun setelah diagnosis [3 ].], 4].Karena gejala awal adenokarsinoma pankreas tidak khas, pasien biasanya didiagnosis menderita metastasis pada stadium lanjut [5].Oleh karena itu, untuk pasien tertentu, pengobatan komprehensif individual harus mempertimbangkan keuntungan dan kerugian dari semua pilihan pengobatan, tidak hanya untuk memperpanjang kelangsungan hidup, tetapi juga untuk meningkatkan kualitas hidup [6].Oleh karena itu, model prediksi yang efektif diperlukan untuk menilai prognosis pasien secara akurat [7].Dengan demikian, pengobatan yang tepat dapat dipilih untuk menyeimbangkan kelangsungan hidup dan kualitas hidup pasien PAAD.
Prognosis PAAD yang buruk terutama disebabkan oleh resistensi terhadap obat kemoterapi.Dalam beberapa tahun terakhir, inhibitor pos pemeriksaan imun telah banyak digunakan dalam pengobatan tumor padat [8].Namun, penggunaan ICI pada kanker pankreas jarang berhasil [9].Oleh karena itu, penting untuk mengidentifikasi pasien yang mungkin mendapat manfaat dari terapi ICI.
RNA non-coding panjang (lncRNA) adalah jenis RNA non-coding dengan transkrip >200 nukleotida.LncRNA tersebar luas dan membentuk sekitar 80% transkriptome manusia (10).Banyak penelitian telah menunjukkan bahwa model prognostik berbasis lncRNA dapat secara efektif memprediksi prognosis pasien [11, 12].Misalnya, 18 lncRNA terkait autophagy diidentifikasi untuk menghasilkan tanda prognostik pada kanker payudara (13).Enam lncRNA terkait kekebalan lainnya telah digunakan untuk menentukan gambaran prognostik glioma [14].
Pada kanker pankreas, beberapa penelitian telah menetapkan tanda tangan berbasis lncRNA untuk memprediksi prognosis pasien.Tanda tangan 3-lncRNA ditemukan pada adenokarsinoma pankreas dengan area di bawah kurva ROC (AUC) hanya 0,742 dan kelangsungan hidup keseluruhan (OS) selama 3 tahun [15].Selain itu, nilai ekspresi lncRNA bervariasi antara genom yang berbeda, format data yang berbeda, dan pasien yang berbeda, dan kinerja model prediktif tidak stabil.Oleh karena itu, kami menggunakan algoritma pemodelan baru, pemasangan dan iterasi, untuk menghasilkan tanda tangan lncRNA (irlncRNA) terkait imunitas untuk menciptakan model prediktif yang lebih akurat dan stabil [8].
Data RNAseq yang dinormalisasi (FPKM) dan data TCGA kanker pankreas klinis dan ekspresi jaringan genotipe (GTEx) diperoleh dari database UCSC XENA (//xenabrowser.net/datapages/).File GTF diperoleh dari database Ensembl (//asia.ensembl.org) dan digunakan untuk mengekstrak profil ekspresi lncRNA dari RNAseq.Kami mengunduh gen terkait imunitas dari database ImmPort (//www.immport.org) dan mengidentifikasi lncRNA terkait imunitas (irlncRNAs) menggunakan analisis korelasi (p <0,001, r> 0,4).Identifikasi irlncRNA yang diekspresikan secara berbeda (DEirlncRNAs) dengan menyilangkan irlncRNA dan lncRNA yang diekspresikan secara berbeda yang diperoleh dari database GEPIA2 (//gepia2.cancer-pku.cn/#index) dalam kohort TCGA-PAAD (|logFC| > 1 dan FDR ) <0,05).
Metode ini telah dilaporkan sebelumnya [8].Secara khusus, kami membuat X untuk menggantikan pasangan lncRNA A dan lncRNA B. Ketika nilai ekspresi lncRNA A lebih tinggi dari nilai ekspresi lncRNA B, X didefinisikan sebagai 1, jika tidak, X didefinisikan sebagai 0. Oleh karena itu, kita dapat memperoleh matriks 0 atau – 1. Sumbu vertikal matriks mewakili setiap sampel, dan sumbu horizontal mewakili setiap pasangan DEirlncRNA dengan nilai 0 atau 1.
Analisis regresi univariat diikuti dengan regresi Lasso digunakan untuk menyaring pasangan DEirlncRNA prognostik.Analisis regresi laso menggunakan validasi silang 10 kali lipat yang diulang 1000 kali (p <0,05), dengan 1000 rangsangan acak per putaran.Ketika frekuensi setiap pasangan DEirlncRNA melebihi 100 kali dalam 1000 siklus, pasangan DEirlncRNA dipilih untuk membangun model risiko prognostik.Kami kemudian menggunakan kurva AUC untuk menemukan nilai batas optimal untuk mengklasifikasikan pasien PAAD ke dalam kelompok risiko tinggi dan rendah.Nilai AUC masing-masing model juga dihitung dan diplot dalam bentuk kurva.Jika kurva mencapai titik tertinggi yang menunjukkan nilai AUC maksimum, maka proses perhitungan terhenti dan model dianggap sebagai kandidat terbaik.Model kurva ROC 1, 3, dan 5 tahun dibuat.Analisis regresi univariat dan multivariat digunakan untuk menguji kinerja prediksi independen model risiko prognostik.
Gunakan tujuh alat untuk mempelajari laju infiltrasi sel kekebalan, termasuk XCELL, TIMER, QUANTISEQ, MCPCOUNTER, EPIC, CIBERSORT-ABS, dan CIBERSORT.Data infiltrasi sel kekebalan diunduh dari database TIMER2 (//timer.comp-genomics.org/#tab-5817-3).Perbedaan kandungan sel-sel yang menginfiltrasi imun antara kelompok risiko tinggi dan rendah dari model yang dibangun dianalisis menggunakan uji peringkat bertanda Wilcoxon, hasilnya ditunjukkan dalam grafik persegi.Analisis korelasi Spearman dilakukan untuk menganalisis hubungan antara nilai skor risiko dan sel yang menginfiltrasi imun.Koefisien korelasi yang dihasilkan ditampilkan sebagai lolipop.Ambang batas signifikansi ditetapkan pada p <0,05.Prosedurnya dilakukan dengan menggunakan paket R ggplot2.Untuk menguji hubungan antara model dan tingkat ekspresi gen yang terkait dengan laju infiltrasi sel imun, kami melakukan paket ggstatsplot dan visualisasi plot biola.
Untuk mengevaluasi pola pengobatan klinis untuk kanker pankreas, kami menghitung IC50 obat kemoterapi yang umum digunakan dalam kohort TCGA-PAAD.Perbedaan setengah konsentrasi penghambatan (IC50) antara kelompok risiko tinggi dan rendah dibandingkan menggunakan uji peringkat bertanda Wilcoxon, dan hasilnya ditampilkan sebagai plot kotak yang dihasilkan menggunakan pRRophetic dan ggplot2 di R. Semua metode mematuhi pedoman dan norma yang relevan.
Alur kerja penelitian kami ditunjukkan pada Gambar 1. Menggunakan analisis korelasi antara lncRNA dan gen terkait imunitas, kami memilih 724 irlncRNA dengan p <0,01 dan r > 0,4.Kami selanjutnya menganalisis lncRNA GEPIA2 yang diekspresikan secara berbeda (Gambar 2A).Sebanyak 223 irlncRNA diekspresikan secara berbeda antara adenokarsinoma pankreas dan jaringan pankreas normal (|logFC| > 1, FDR <0,05), bernama DEirlncRNAs.
Konstruksi model risiko prediktif.(A) Plot gunung berapi dari lncRNA yang diekspresikan secara berbeda.(B) Distribusi koefisien laso untuk 20 pasangan DEirlncRNA.(C) Varians kemungkinan parsial dari distribusi koefisien LASSO.(D) Plot hutan menunjukkan analisis regresi univariat terhadap 20 pasangan DEirlncRNA.
Kami selanjutnya membuat matriks 0 atau 1 dengan memasangkan 223 DEirlncRNA.Sebanyak 13.687 pasangan DEirlncRNA diidentifikasi.Setelah analisis regresi univariat dan laso, 20 pasangan DEirlncRNA akhirnya diuji untuk membangun model risiko prognostik (Gambar 2B-D).Berdasarkan hasil analisis Lasso dan regresi berganda, kami menghitung skor risiko untuk setiap pasien dalam kelompok TCGA-PAAD (Tabel 1).Berdasarkan hasil analisis regresi laso, kami menghitung skor risiko untuk setiap pasien dalam kelompok TCGA-PAAD.AUC kurva ROC adalah 0,905 untuk prediksi model risiko 1 tahun, 0,942 untuk prediksi 2 tahun, dan 0,966 untuk prediksi 3 tahun (Gambar 3A-B).Kami menetapkan nilai batas optimal sebesar 3,105, mengelompokkan pasien kohort TCGA-PAAD ke dalam kelompok risiko tinggi dan rendah, dan merencanakan hasil kelangsungan hidup dan distribusi skor risiko untuk setiap pasien (Gambar 3C-E).Analisis Kaplan-Meier menunjukkan bahwa kelangsungan hidup pasien PAAD pada kelompok risiko tinggi secara signifikan lebih rendah dibandingkan pasien pada kelompok risiko rendah (p <0,001) (Gambar 3F).
Validitas model risiko prognostik.(A) ROC model risiko prognostik.(B) Model risiko prognostik ROC 1, 2, dan 3 tahun.(C) ROC model risiko prognostik.Menunjukkan titik potong optimal.(DE) Distribusi status kelangsungan hidup (D) dan skor risiko (E).(F) Analisis Kaplan-Meier pada pasien PAAD dalam kelompok risiko tinggi dan rendah.
Kami selanjutnya menilai perbedaan skor risiko berdasarkan karakteristik klinis.Strip plot (Gambar 4A) menunjukkan hubungan keseluruhan antara karakteristik klinis dan skor risiko.Secara khusus, pasien yang lebih tua memiliki skor risiko yang lebih tinggi (Gambar 4B).Selain itu, pasien dengan stadium II memiliki skor risiko yang lebih tinggi dibandingkan pasien dengan stadium I (Gambar 4C).Mengenai tingkat tumor pada pasien PAAD, pasien tingkat 3 memiliki skor risiko lebih tinggi dibandingkan pasien tingkat 1 dan 2 (Gambar 4D).Kami selanjutnya melakukan analisis regresi univariat dan multivariat dan menunjukkan bahwa skor risiko (p <0,001) dan usia (p = 0,045) merupakan faktor prognostik independen pada pasien dengan PAAD (Gambar 5A-B).Kurva ROC menunjukkan bahwa skor risiko lebih unggul dibandingkan karakteristik klinis lainnya dalam memprediksi kelangsungan hidup pasien PAAD selama 1, 2, dan 3 tahun (Gambar 5C-E).
Karakteristik klinis model risiko prognostik.Histogram (A) menunjukkan (B) usia, (C) stadium tumor, (D) tingkat tumor, skor risiko, dan jenis kelamin pasien dalam kohort TCGA-PAAD.**p <0,01
Analisis prediktif independen terhadap model risiko prognostik.(AB) Analisis regresi univariat (A) dan multivariat (B) dari model risiko prognostik dan karakteristik klinis.(CE) ROC 1, 2, dan 3 tahun untuk model risiko prognostik dan karakteristik klinis
Oleh karena itu, kami menguji hubungan antara waktu dan skor risiko.Kami menemukan bahwa skor risiko pada pasien PAAD berkorelasi terbalik dengan sel T CD8+ dan sel NK (Gambar 6A), yang menunjukkan penekanan fungsi kekebalan pada kelompok risiko tinggi.Kami juga menilai perbedaan infiltrasi sel imun antara kelompok risiko tinggi dan rendah dan menemukan hasil yang sama (Gambar 7).Terdapat lebih sedikit infiltrasi sel T CD8+ dan sel NK pada kelompok risiko tinggi.Dalam beberapa tahun terakhir, inhibitor pos pemeriksaan imun (ICI) telah banyak digunakan dalam pengobatan tumor padat.Namun, penggunaan ICI pada kanker pankreas jarang berhasil.Oleh karena itu, kami menilai ekspresi gen pos pemeriksaan kekebalan pada kelompok risiko tinggi dan rendah.Kami menemukan bahwa CTLA-4 dan CD161 (KLRB1) diekspresikan secara berlebihan pada kelompok risiko rendah (Gambar 6B-G), menunjukkan bahwa pasien PAAD pada kelompok risiko rendah mungkin sensitif terhadap ICI.
Analisis korelasi model risiko prognostik dan infiltrasi sel imun.(A) Korelasi antara model risiko prognostik dan infiltrasi sel imun.(BG) Menunjukkan ekspresi gen pada kelompok risiko tinggi dan rendah.(HK) Nilai IC50 untuk obat antikanker spesifik pada kelompok risiko tinggi dan rendah.*p < 0,05, **p < 0,01, ns = tidak signifikan
Kami selanjutnya menilai hubungan antara skor risiko dan agen kemoterapi umum dalam kohort TCGA-PAAD.Kami mencari obat antikanker yang umum digunakan pada kanker pankreas dan menganalisis perbedaan nilai IC50 antara kelompok risiko tinggi dan rendah.Hasil penelitian menunjukkan bahwa nilai IC50 AZD.2281 (olaparib) lebih tinggi pada kelompok risiko tinggi, menunjukkan bahwa pasien PAAD pada kelompok risiko tinggi mungkin resisten terhadap pengobatan AZD.2281 (Gambar 6H).Selain itu, nilai IC50 paclitaxel, sorafenib, dan erlotinib lebih rendah pada kelompok risiko tinggi (Gambar 6I-K).Kami selanjutnya mengidentifikasi 34 obat antikanker dengan nilai IC50 lebih tinggi pada kelompok risiko tinggi dan 34 obat antikanker dengan nilai IC50 lebih rendah pada kelompok risiko tinggi (Tabel 2).
Tidak dapat disangkal bahwa lncRNA, mRNA, dan miRNA ada secara luas dan memainkan peran penting dalam perkembangan kanker.Terdapat banyak bukti yang mendukung peran penting mRNA atau miRNA dalam memprediksi kelangsungan hidup secara keseluruhan pada beberapa jenis kanker.Tidak diragukan lagi, banyak model risiko prognostik juga didasarkan pada lncRNA.Misalnya, Luo dkk.Penelitian telah menunjukkan bahwa LINC01094 memainkan peran kunci dalam proliferasi dan metastasis PC, dan ekspresi LINC01094 yang tinggi menunjukkan kelangsungan hidup yang buruk pada pasien kanker pankreas [16].Penelitian yang dipaparkan oleh Lin et al.Penelitian telah menunjukkan bahwa downregulasi lncRNA FLVCR1-AS1 dikaitkan dengan prognosis buruk pada pasien kanker pankreas [17].Namun, lncRNA terkait imunitas relatif kurang dibahas dalam hal memprediksi kelangsungan hidup pasien kanker secara keseluruhan.Baru-baru ini, sejumlah besar pekerjaan telah difokuskan pada pembangunan model risiko prognostik untuk memprediksi kelangsungan hidup pasien kanker dan dengan demikian menyesuaikan metode pengobatan [18, 19, 20].Ada semakin banyak pengakuan akan peran penting infiltrat imun dalam inisiasi, perkembangan, dan respons kanker terhadap pengobatan seperti kemoterapi.Sejumlah penelitian telah mengkonfirmasi bahwa sel imun yang menginfiltrasi tumor memainkan peran penting dalam respon terhadap kemoterapi sitotoksik [21, 22, 23].Lingkungan mikro imun tumor merupakan faktor penting dalam kelangsungan hidup pasien tumor [24, 25].Imunoterapi, khususnya terapi ICI, banyak digunakan dalam pengobatan tumor padat [26].Gen yang berhubungan dengan kekebalan banyak digunakan untuk membangun model risiko prognostik.Misalnya, Su dkk.Model risiko prognostik terkait kekebalan didasarkan pada gen pengkode protein untuk memprediksi prognosis pasien kanker ovarium [27].Gen non-coding seperti lncRNA juga cocok untuk membangun model risiko prognostik (28, 29, 30).Luo et al menguji empat lncRNA terkait kekebalan dan membangun model prediktif untuk risiko kanker serviks [31].Khan dkk.Sebanyak 32 transkrip yang diekspresikan secara berbeda diidentifikasi, dan berdasarkan ini, model prediksi dengan 5 transkrip signifikan dibuat, yang diusulkan sebagai alat yang sangat direkomendasikan untuk memprediksi penolakan akut yang terbukti dengan biopsi setelah transplantasi ginjal [32].
Sebagian besar model ini didasarkan pada tingkat ekspresi gen, baik gen pengkode protein maupun gen non-pengkode.Namun, gen yang sama dapat memiliki nilai ekspresi yang berbeda pada genom yang berbeda, format data, dan pada pasien yang berbeda, sehingga menyebabkan perkiraan yang tidak stabil dalam model prediktif.Dalam penelitian ini, kami membangun model yang masuk akal dengan dua pasang lncRNA, terlepas dari nilai ekspresi pastinya.
Dalam penelitian ini, kami mengidentifikasi irlncRNA untuk pertama kalinya melalui analisis korelasi dengan gen terkait imunitas.Kami menyaring 223 DEirlncRNA melalui hibridisasi dengan lncRNA yang diekspresikan secara berbeda.Kedua, kami membuat matriks 0-atau-1 berdasarkan metode pemasangan DEirlncRNA yang dipublikasikan (31).Kami kemudian melakukan analisis regresi univariat dan laso untuk mengidentifikasi pasangan DEirlncRNA prognostik dan membangun model risiko prediktif.Kami menganalisis lebih lanjut hubungan antara skor risiko dan karakteristik klinis pada pasien dengan PAAD.Kami menemukan bahwa model risiko prognostik kami, sebagai faktor prognostik independen pada pasien PAAD, dapat secara efektif membedakan pasien tingkat tinggi dari pasien tingkat rendah dan pasien tingkat tinggi dari pasien tingkat rendah.Selain itu, nilai AUC kurva ROC model risiko prognostik adalah 0,905 untuk prakiraan 1 tahun, 0,942 untuk prakiraan 2 tahun, dan 0,966 untuk prakiraan 3 tahun.
Para peneliti melaporkan bahwa pasien dengan infiltrasi sel T CD8+ lebih tinggi lebih sensitif terhadap pengobatan ICI [33].Peningkatan kandungan sel sitotoksik, sel CD56 NK, sel NK dan sel T CD8+ dalam lingkungan mikro imun tumor mungkin menjadi salah satu alasan efek penekan tumor [34].Penelitian sebelumnya menunjukkan bahwa tingkat CD4(+) T dan CD8(+) T yang menginfiltrasi tumor lebih tinggi secara signifikan berhubungan dengan kelangsungan hidup yang lebih lama [35].Infiltrasi sel T CD8 yang buruk, beban neoantigen yang rendah, dan lingkungan mikro tumor yang sangat imunosupresif menyebabkan kurangnya respons terhadap terapi ICI [36].Kami menemukan bahwa skor risiko berkorelasi negatif dengan sel T CD8+ dan sel NK, yang menunjukkan bahwa pasien dengan skor risiko tinggi mungkin tidak cocok untuk pengobatan ICI dan memiliki prognosis yang lebih buruk.
CD161 adalah penanda sel pembunuh alami (NK).Sel T yang ditransduksi CD8+CD161+ CAR memediasi peningkatan kemanjuran antitumor in vivo pada model xenograft adenokarsinoma duktus pankreas HER2+ [37].Inhibitor pos pemeriksaan imun menargetkan jalur protein terkait limfosit T sitotoksik 4 (CTLA-4) dan jalur protein kematian sel terprogram 1 (PD-1)/ligan kematian sel terprogram 1 (PD-L1) dan memiliki potensi besar di banyak bidang.Ekspresi CTLA-4 dan CD161 (KLRB1) lebih rendah pada kelompok risiko tinggi, yang selanjutnya menunjukkan bahwa pasien dengan skor risiko tinggi mungkin tidak memenuhi syarat untuk pengobatan ICI.[38]
Untuk menemukan pilihan pengobatan yang cocok untuk pasien berisiko tinggi, kami menganalisis berbagai obat antikanker dan menemukan bahwa paclitaxel, sorafenib, dan erlotinib, yang banyak digunakan pada pasien PAAD, mungkin cocok untuk pasien berisiko tinggi dengan PAAD.[33].Zhang et al menemukan bahwa mutasi pada jalur respon kerusakan DNA (DDR) dapat menyebabkan prognosis buruk pada pasien kanker prostat [39].Uji coba Kanker Pankreas Olaparib Berkelanjutan (POLO) menunjukkan bahwa pengobatan pemeliharaan dengan olaparib memperpanjang kelangsungan hidup bebas perkembangan dibandingkan dengan plasebo setelah kemoterapi lini pertama berbasis platinum pada pasien dengan adenokarsinoma duktus pankreas dan mutasi germline BRCA1/2 [40].Hal ini memberikan optimisme yang signifikan bahwa hasil pengobatan akan meningkat secara signifikan pada subkelompok pasien ini.Dalam penelitian ini, nilai IC50 AZD.2281 (olaparib) lebih tinggi pada kelompok risiko tinggi, menunjukkan bahwa pasien PAAD pada kelompok risiko tinggi mungkin resisten terhadap pengobatan dengan AZD.2281.
Model peramalan pada penelitian ini memberikan hasil peramalan yang baik, namun didasarkan pada peramalan analitis.Bagaimana mengkonfirmasi hasil ini dengan data klinis merupakan pertanyaan penting.Ultrasonografi aspirasi jarum halus endoskopi (EUS-FNA) telah menjadi metode yang sangat diperlukan untuk mendiagnosis lesi pankreas padat dan ekstrapankreas dengan sensitivitas 85% dan spesifisitas 98% [41].Munculnya jarum biopsi jarum halus EUS (EUS-FNB) terutama didasarkan pada keunggulan yang dirasakan dibandingkan FNA, seperti akurasi diagnostik yang lebih tinggi, memperoleh sampel yang mempertahankan struktur histologis, dan dengan demikian menghasilkan jaringan kekebalan yang sangat penting untuk diagnosis tertentu.pewarnaan khusus [42].Sebuah tinjauan sistematis literatur mengkonfirmasi bahwa jarum FNB (terutama 22G) menunjukkan efisiensi tertinggi dalam mengambil jaringan dari massa pankreas [43].Secara klinis, hanya sejumlah kecil pasien yang memenuhi syarat untuk menjalani operasi radikal, dan sebagian besar pasien memiliki tumor yang tidak dapat dioperasi pada saat diagnosis awal.Dalam praktik klinis, hanya sebagian kecil pasien yang cocok untuk menjalani operasi radikal karena sebagian besar pasien memiliki tumor yang tidak dapat dioperasi pada saat diagnosis awal.Setelah konfirmasi patologis dengan EUS-FNB dan metode lain, pengobatan non-bedah standar seperti kemoterapi biasanya dipilih.Program penelitian kami selanjutnya adalah menguji model prognostik penelitian ini pada kohort bedah dan non-bedah melalui analisis retrospektif.
Secara keseluruhan, penelitian kami menetapkan model risiko prognostik baru berdasarkan pasangan irlncRNA, yang menunjukkan nilai prognostik yang menjanjikan pada pasien dengan kanker pankreas.Model risiko prognostik kami dapat membantu membedakan pasien PAAD yang cocok untuk perawatan medis.
Kumpulan data yang digunakan dan dianalisis dalam penelitian ini tersedia dari penulis terkait berdasarkan permintaan yang masuk akal.
Sui Wen, Gong X, Zhuang Y. Peran mediasi efikasi diri dalam regulasi emosi emosi negatif selama pandemi COVID-19: studi cross-sectional.Perawat Kesehatan Int J Ment [artikel jurnal].2021 06/01/2021;30(3):759–71.
Sui Wen, Gong X, Qiao X, Zhang L, Cheng J, Dong J, dkk.Pandangan anggota keluarga tentang pengambilan keputusan alternatif di unit perawatan intensif: tinjauan sistematis.INT J NURS STUD [artikel majalah;tinjauan].2023 01/01/2023;137:104391.
Vincent A, Herman J, Schulich R, Hruban RH, Goggins M. Kanker pankreas.Lanset.[Artikel jurnal;dukungan penelitian, NIH, luar sekolah;dukungan penelitian, pemerintah di luar AS;tinjauan].2011 13/08/2011;378(9791):607–20.
Ilic M, Ilic I. Epidemiologi kanker pankreas.Jurnal Gastroenterologi Dunia.[Artikel jurnal, ulasan].2016 28/11/2016;22(44):9694–705.
Liu X, Chen B, Chen J, Sun S. Nomogram terkait tp53 baru untuk memprediksi kelangsungan hidup secara keseluruhan pada pasien dengan kanker pankreas.Kanker BMC [artikel jurnal].2021 31-03-2021;21(1):335.
Xian X, Zhu X, Chen Y, Huang B, Xiang W. Pengaruh terapi yang berfokus pada solusi pada kelelahan terkait kanker pada pasien kanker kolorektal yang menerima kemoterapi: uji coba terkontrol secara acak.Perawat kanker.[Artikel jurnal;uji coba terkontrol secara acak;penelitian ini didukung oleh pemerintah di luar Amerika Serikat].2022 01/05/2022;45(3):E663–73.
Zhang Cheng, Zheng Wen, Lu Y, Shan L, Xu Dong, Pan Y, dkk.Tingkat antigen karsinoembrionik (CEA) pasca operasi memprediksi hasil setelah reseksi kanker kolorektal pada pasien dengan tingkat CEA pra operasi normal.Pusat Penelitian Kanker Translasional.[Artikel jurnal].2020 01.01.2020;9(1):111–8.
Hong Wen, Liang Li, Gu Yu, Qi Zi, Qiu Hua, Yang X, dkk.LncRNA yang berhubungan dengan kekebalan menghasilkan tanda-tanda baru dan memprediksi lanskap kekebalan karsinoma hepatoseluler manusia.Mol Ada Asam Nukleat [Artikel jurnal].2020 04-12-2020;22:937 – 47.
Toffey RJ, Zhu Y., Schulich RD Imunoterapi untuk kanker pankreas: hambatan dan terobosan.Ann Ahli Bedah Gastrointestinal [Artikel Jurnal;tinjauan].2018 01/07/2018;2(4):274–81.
Hull R, Mbita Z, Dlamini Z. RNA non-coding panjang (LncRNAs), genom tumor virus dan peristiwa penyambungan yang menyimpang: implikasi terapeutik.AM J CANCER RES [artikel jurnal;tinjauan].2021 20/01/2021;11(3):866–83.
Wang J, Chen P, Zhang Y, Ding J, Yang Y, Li H. 11-Identifikasi tanda tangan lncRNA yang terkait dengan prognosis kanker endometrium.Prestasi ilmu pengetahuan [artikel majalah].2021 01-01-2021;104(1):311977089.
Jiang S, Ren H, Liu S, Lu Z, Xu A, Qin S, dkk.Analisis komprehensif gen prognostik protein pengikat RNA dan kandidat obat pada karsinoma sel ginjal sel papiler.pregen.[Artikel jurnal].2021 20/01/2021;12:627508.
Li X, Chen J, Yu Q, Huang X, Liu Z, Wang X, dkk.Karakteristik RNA non-coding panjang yang berhubungan dengan autophagy memprediksi prognosis kanker payudarapregen.[Artikel jurnal].2021 20/01/2021;12:569318.
Zhou M, Zhang Z, Zhao X, Bao S, Cheng L, Sun J. Enam tanda tangan lncRNA terkait kekebalan meningkatkan prognosis pada glioblastoma multiforme.Neurobiologi MOL.[Artikel jurnal].2018 01.05.2018;55(5):3684–97.
Wu B, Wang Q, Fei J, Bao Y, Wang X, Lagu Z, dkk.Tanda tangan tri-lncRNA baru memprediksi kelangsungan hidup pasien kanker pankreas.PERWAKILAN ONKOL.[Artikel jurnal].2018 01.12.2018;40(6):3427–37.
Luo C, Lin K, Hu C, Zhu X, Zhu J, Zhu Z. LINC01094 mendorong perkembangan kanker pankreas dengan mengatur ekspresi LIN28B dan jalur PI3K/AKT melalui spons miR-577.Terapi Mol – Asam nukleat.2021;26:523–35.
Lin J, Zhai X, Zou S, Xu Z, Zhang J, Jiang L, dkk.Umpan balik positif antara lncRNA FLVCR1-AS1 dan KLF10 dapat menghambat perkembangan kanker pankreas melalui jalur PTEN/AKT.J EXP Klinik Kanker Res.2021;40(1).
Zhou X, Liu X, Zeng X, Wu D, Liu L. Identifikasi tiga belas gen yang memprediksi kelangsungan hidup keseluruhan pada karsinoma hepatoseluler.Biosci Rep [artikel jurnal].2021 04/09/2021.
Waktu posting: 22 Sep-2023