Kanker pankreas adalah salah satu tumor paling mematikan di dunia dengan prognosis yang buruk. Oleh karena itu, dibutuhkan model prediksi yang akurat untuk mengidentifikasi pasien berisiko tinggi terkena kanker pankreas guna menyesuaikan pengobatan dan meningkatkan prognosis pasien tersebut.
Kami memperoleh data RNAseq adenokarsinoma pankreas (PAAD) dari The Cancer Genome Atlas (TCGA) dari basis data UCSC Xena, mengidentifikasi lncRNA terkait imun (irlncRNA) melalui analisis korelasi, dan mengidentifikasi perbedaan antara jaringan adenokarsinoma pankreas TCGA dan normal. Kami menganalisis ekspresi genotipe jaringan pankreas (DEirlncRNA) dari TCGA dan ekspresi genotipe jaringan pankreas (GTEx). Analisis regresi univariat dan lasso lebih lanjut dilakukan untuk membangun model penanda prognostik. Kemudian kami menghitung area di bawah kurva dan menentukan nilai ambang batas optimal untuk mengidentifikasi pasien dengan adenokarsinoma pankreas risiko tinggi dan rendah. Tujuan penelitian ini adalah untuk membandingkan karakteristik klinis, infiltrasi sel imun, lingkungan mikro imunosupresif, dan resistensi kemoterapi pada pasien dengan kanker pankreas risiko tinggi dan rendah.
Kami mengidentifikasi 20 pasangan DEirlncRNA dan mengelompokkan pasien berdasarkan nilai ambang batas optimal. Kami menunjukkan bahwa model penanda prognostik kami memiliki kinerja yang signifikan dalam memprediksi prognosis pasien dengan PAAD. AUC kurva ROC adalah 0,905 untuk perkiraan 1 tahun, 0,942 untuk perkiraan 2 tahun, dan 0,966 untuk perkiraan 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 dapat mengembangkan resistensi terhadap imunoterapi. Evaluasi obat antikanker seperti paclitaxel, sorafenib, dan erlotinib berdasarkan alat prediksi komputasi mungkin tepat untuk pasien berisiko tinggi dengan PAAD.
Secara keseluruhan, penelitian kami menetapkan model risiko prognostik baru berdasarkan irlncRNA berpasangan, yang menunjukkan nilai prognostik yang menjanjikan pada pasien kanker pankreas. Model risiko prognostik kami dapat membantu membedakan pasien PAAD yang cocok untuk pengobatan medis.
Kanker pankreas adalah tumor ganas dengan tingkat kelangsungan hidup lima tahun yang rendah dan tingkat keganasan 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 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 penghambat titik kontrol 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 dengan metastasis pada stadium lanjut [5]. Oleh karena itu, untuk pasien tertentu, pengobatan komprehensif yang 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 secara akurat menilai prognosis pasien [7]. Dengan demikian, pengobatan yang tepat dapat dipilih untuk menyeimbangkan angka harapan hidup dan kualitas hidup pasien dengan PAAD.
Prognosis PAAD yang buruk terutama disebabkan oleh resistensi terhadap obat kemoterapi. Dalam beberapa tahun terakhir, penghambat checkpoint 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% dari transkriptom manusia [10]. Sejumlah besar 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 imun lainnya telah digunakan untuk menetapkan fitur prognostik glioma [14].
Pada kanker pankreas, beberapa penelitian telah menetapkan tanda tangan berbasis lncRNA untuk memprediksi prognosis pasien. Tanda tangan 3-lncRNA ditetapkan 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 di 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 terkait imunitas (irlncRNA) untuk menciptakan model prediktif yang lebih akurat dan stabil [8].
Data RNAseq yang dinormalisasi (FPKM) dan data ekspresi jaringan genotipe kanker pankreas klinis TCGA (GTEx) diperoleh dari basis data UCSC XENA (https://xenabrowser.net/datapages/). File GTF diperoleh dari basis data Ensembl (http://asia.ensembl.org) dan digunakan untuk mengekstrak profil ekspresi lncRNA dari RNAseq. Kami mengunduh gen terkait imunitas dari basis data ImmPort (http://www.immport.org) dan mengidentifikasi lncRNA terkait imunitas (irlncRNA) menggunakan analisis korelasi (p < 0,001, r > 0,4). Identifikasi irlncRNA yang diekspresikan secara berbeda (DEirlncRNA) dengan menyilangkan irlncRNA dan lncRNA yang diekspresikan secara berbeda yang diperoleh dari basis data GEPIA2 (http://gepia2.cancer-pku.cn/#index) dalam kohort TCGA-PAAD (|logFC| > 1 dan FDR) <0,05).
Metode ini telah dilaporkan sebelumnya [8]. Secara spesifik, kami membuat X untuk menggantikan lncRNA A dan lncRNA B yang berpasangan. Ketika nilai ekspresi lncRNA A lebih tinggi daripada 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 Lasso menggunakan validasi silang 10 kali lipat yang diulang 1000 kali (p < 0,05), dengan 1000 stimulus acak per putaran. Ketika frekuensi setiap pasangan DEirlncRNA melebihi 100 kali dalam 1000 siklus, pasangan DEirlncRNA dipilih untuk membangun model risiko prognostik. Kemudian, kami menggunakan kurva AUC untuk menemukan nilai ambang batas optimal untuk mengklasifikasikan pasien PAAD ke dalam kelompok risiko tinggi dan rendah. Nilai AUC dari setiap model juga dihitung dan diplot sebagai kurva. Jika kurva mencapai titik tertinggi yang menunjukkan nilai AUC maksimum, proses perhitungan berhenti dan model tersebut dianggap sebagai kandidat terbaik. Model kurva ROC 1, 3, dan 5 tahun dibangun. Analisis regresi univariat dan multivariat digunakan untuk memeriksa kinerja prediksi independen dari model risiko prognostik.
Tujuh alat digunakan untuk mempelajari tingkat infiltrasi sel imun, termasuk XCELL, TIMER, QUANTISEQ, MCPCOUNTER, EPIC, CIBERSORT-ABS, dan CIBERSORT. Data infiltrasi sel imun diunduh dari basis data TIMER2 (http://timer.comp-genomics.org/#tab-5817-3). Perbedaan kandungan sel imun yang berinfiltrasi 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 imun yang berinfiltrasi. Koefisien korelasi yang dihasilkan ditunjukkan sebagai lolipop. Ambang batas signifikansi ditetapkan pada p < 0,05. Prosedur ini dilakukan menggunakan paket R ggplot2. Untuk memeriksa hubungan antara model dan tingkat ekspresi gen yang terkait dengan tingkat infiltrasi sel imun, kami melakukan visualisasi plot biola menggunakan paket ggstatsplot.
Untuk mengevaluasi pola pengobatan klinis kanker pankreas, kami menghitung IC50 dari obat kemoterapi yang umum digunakan dalam kohort TCGA-PAAD. Perbedaan konsentrasi penghambatan setengah (IC50) antara kelompok risiko tinggi dan rendah dibandingkan menggunakan uji peringkat bertanda Wilcoxon, dan hasilnya ditampilkan sebagai boxplot yang dihasilkan menggunakan pRRophetic dan ggplot2 di R. Semua metode mematuhi pedoman dan norma yang relevan.
Alur kerja penelitian kami ditunjukkan pada Gambar 1. Dengan menggunakan analisis korelasi antara lncRNA dan gen terkait imunitas, kami memilih 724 irlncRNA dengan p < 0,01 dan r > 0,4. Selanjutnya, kami menganalisis lncRNA yang diekspresikan secara berbeda dari GEPIA2 (Gambar 2A). Sebanyak 223 irlncRNA diekspresikan secara berbeda antara adenokarsinoma pankreas dan jaringan pankreas normal (|logFC| > 1, FDR < 0,05), yang dinamakan DEirlncRNA.
Konstruksi model risiko prediktif. (A) Plot gunung berapi dari lncRNA yang diekspresikan secara berbeda. (B) Distribusi koefisien lasso untuk 20 pasangan DEirlncRNA. (C) Varians kemungkinan parsial dari distribusi koefisien LASSO. (D) Plot hutan yang menunjukkan analisis regresi univariat dari 20 pasangan DEirlncRNA.
Selanjutnya, kami membuat matriks 0 atau 1 dengan memasangkan 223 DEirlncRNA. Sebanyak 13.687 pasangan DEirlncRNA diidentifikasi. Setelah analisis regresi univariat dan lasso, 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 kohort TCGA-PAAD (Tabel 1). 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 memplot hasil kelangsungan hidup dan distribusi skor risiko untuk setiap pasien (Gambar 3C-E). Analisis Kaplan-Meier menunjukkan bahwa kelangsungan hidup pasien PAAD dalam kelompok risiko tinggi secara signifikan lebih rendah daripada pasien dalam kelompok risiko rendah (p < 0,001) (Gambar 3F).
Validitas model risiko prognostik. (A) Kurva ROC dari model risiko prognostik. (B) Kurva ROC model risiko prognostik 1, 2, dan 3 tahun. (C) Kurva ROC dari model risiko prognostik. Menunjukkan titik potong optimal. (D) Distribusi status kelangsungan hidup (D) dan skor risiko (E). (F) Analisis Kaplan-Meier pasien PAAD dalam kelompok risiko tinggi dan rendah.
Kami selanjutnya menilai perbedaan skor risiko berdasarkan karakteristik klinis. Plot strip (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 daripada pasien dengan stadium I (Gambar 4C). Mengenai tingkat keganasan tumor pada pasien PAAD, pasien tingkat 3 memiliki skor risiko yang lebih tinggi daripada 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 daripada karakteristik klinis lainnya dalam memprediksi kelangsungan hidup 1, 2, dan 3 tahun pada pasien dengan PAAD (Gambar 5C-E).
Karakteristik klinis model risiko prognostik. Histogram (A) menunjukkan (B) usia, (C) stadium tumor, (D) derajat tumor, skor risiko, dan jenis kelamin pasien dalam kohort TCGA-PAAD. **p < 0,01
Analisis prediktif independen dari 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 meneliti 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), menunjukkan fungsi imun yang tertekan 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 infiltrasi sel T CD8+ dan sel NK yang lebih sedikit pada kelompok risiko tinggi. Dalam beberapa tahun terakhir, penghambat 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 imun 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. Hasilnya menunjukkan bahwa nilai IC50 AZD.2281 (olaparib) lebih tinggi pada kelompok risiko tinggi, yang mengindikasikan 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 banyak terdapat 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, penelitian Luo dkk. menunjukkan bahwa LINC01094 memainkan peran kunci dalam proliferasi dan metastasis kanker pankreas, dan ekspresi tinggi LINC01094 menunjukkan kelangsungan hidup yang buruk pada pasien kanker pankreas [16]. Penelitian yang dipresentasikan oleh Lin dkk. menunjukkan bahwa penurunan ekspresi lncRNA FLVCR1-AS1 dikaitkan dengan prognosis yang buruk pada pasien kanker pankreas [17]. Namun, lncRNA yang terkait dengan imunitas relatif kurang dibahas dalam hal memprediksi kelangsungan hidup secara keseluruhan pada pasien kanker. Baru-baru ini, banyak penelitian telah difokuskan pada pembangunan model risiko prognostik untuk memprediksi kelangsungan hidup pasien kanker dan dengan demikian menyesuaikan metode pengobatan [18, 19, 20]. Terdapat pengakuan yang semakin meningkat mengenai peran penting infiltrasi imun dalam inisiasi kanker, perkembangan, dan respons terhadap pengobatan seperti kemoterapi. Banyak penelitian telah mengkonfirmasi bahwa sel imun yang menginfiltrasi tumor memainkan peran penting dalam respons terhadap kemoterapi sitotoksik [21, 22, 23]. Mikro lingkungan imun tumor merupakan faktor penting dalam kelangsungan hidup pasien tumor [24, 25]. Imunoterapi, terutama terapi ICI, banyak digunakan dalam pengobatan tumor padat [26]. Gen terkait imun banyak digunakan untuk membangun model risiko prognostik. Misalnya, Su dkk. Model risiko prognostik terkait imun didasarkan pada gen pengkode protein untuk memprediksi prognosis pasien kanker ovarium [27]. Gen non-pengkode seperti lncRNA juga cocok untuk membangun model risiko prognostik [28, 29, 30]. Luo dkk. menguji empat lncRNA terkait imun dan membangun model prediktif untuk risiko kanker serviks [31]. Khan dkk. Sebanyak 32 transkrip yang diekspresikan secara berbeda diidentifikasi, dan berdasarkan hal ini, sebuah model prediksi dengan 5 transkrip signifikan dibuat, yang diusulkan sebagai alat yang sangat direkomendasikan untuk memprediksi penolakan akut yang terbukti melalui 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 dalam genom, format data, dan pasien yang berbeda, sehingga menyebabkan estimasi yang tidak stabil dalam model prediktif. Dalam studi ini, kami membangun model yang masuk akal dengan dua pasang lncRNA, yang independen dari nilai ekspresi pastinya.
Dalam penelitian ini, kami mengidentifikasi irlncRNA untuk pertama kalinya melalui analisis korelasi dengan gen terkait imunitas. Kami menyaring 223 DEirlncRNA dengan hibridisasi dengan lncRNA yang diekspresikan secara berbeda. Kedua, kami membangun matriks 0-atau-1 berdasarkan metode pemasangan DEirlncRNA yang dipublikasikan [31]. Kemudian kami melakukan analisis regresi univariat dan lasso untuk mengidentifikasi pasangan DEirlncRNA prognostik dan membangun model risiko prediktif. Kami selanjutnya menganalisis 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 dari kurva ROC model risiko prognostik adalah 0,905 untuk perkiraan 1 tahun, 0,942 untuk perkiraan 2 tahun, dan 0,966 untuk perkiraan 3 tahun.
Para peneliti melaporkan bahwa pasien dengan infiltrasi sel T CD8+ yang lebih tinggi lebih sensitif terhadap pengobatan ICI [33]. Peningkatan kandungan sel sitotoksik, sel NK CD56, sel NK, dan sel T CD8+ dalam mikro lingkungan imun tumor mungkin merupakan salah satu alasan efek penekan tumor [34]. Studi sebelumnya menunjukkan bahwa tingkat infiltrasi tumor CD4(+) T dan CD8(+) T yang lebih tinggi secara signifikan berhubungan dengan kelangsungan hidup yang lebih lama [35]. Infiltrasi sel T CD8 yang buruk, beban neoantigen yang rendah, dan mikro lingkungan 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, menunjukkan bahwa pasien dengan skor risiko tinggi mungkin tidak cocok untuk pengobatan ICI dan memiliki prognosis yang lebih buruk.
CD161 merupakan penanda sel pembunuh alami (NK). Sel T yang ditransduksi CAR CD8+CD161+ memediasi peningkatan efikasi antitumor in vivo pada model xenograft adenokarsinoma duktal pankreas HER2+ [37]. Inhibitor checkpoint imun menargetkan 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 berisiko tinggi, yang selanjutnya menunjukkan bahwa pasien dengan skor risiko tinggi mungkin tidak memenuhi syarat untuk pengobatan ICI. [38]
Untuk menemukan pilihan pengobatan yang sesuai untuk pasien berisiko tinggi, kami menganalisis berbagai obat antikanker dan menemukan bahwa paclitaxel, sorafenib, dan erlotinib, yang banyak digunakan pada pasien dengan PAAD, mungkin cocok untuk pasien berisiko tinggi dengan PAAD. [33]. Zhang dkk menemukan bahwa mutasi pada jalur respons kerusakan DNA (DDR) dapat menyebabkan prognosis yang buruk pada pasien kanker prostat [39]. Uji coba Pancreatic Cancer Olaparib Ongoing (POLO) menunjukkan bahwa pengobatan pemeliharaan dengan olaparib memperpanjang kelangsungan hidup bebas progresif dibandingkan dengan plasebo setelah kemoterapi berbasis platinum lini pertama pada pasien dengan adenokarsinoma duktal 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 berisiko tinggi, menunjukkan bahwa pasien PAAD pada kelompok berisiko tinggi mungkin resisten terhadap pengobatan dengan AZD.2281.
Model peramalan dalam penelitian ini menghasilkan hasil peramalan yang baik, tetapi 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 ekstrapankreatik 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, mendapatkan sampel yang mempertahankan struktur histologis, dan dengan demikian menghasilkan jaringan imun yang penting untuk diagnosis tertentu dengan pewarnaan khusus [42]. Tinjauan sistematis literatur mengkonfirmasi bahwa jarum FNB (terutama 22G) menunjukkan efisiensi tertinggi dalam pengambilan jaringan dari massa pankreas [43]. Secara klinis, hanya sejumlah kecil pasien yang memenuhi syarat untuk pembedahan 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 pembedahan radikal karena sebagian besar pasien memiliki tumor yang tidak dapat dioperasi pada saat diagnosis awal. Setelah konfirmasi patologis melalui EUS-FNB dan metode lain, pengobatan non-bedah standar seperti kemoterapi biasanya dipilih. Program penelitian kami selanjutnya adalah untuk menguji model prognostik studi ini pada kelompok pasien yang menjalani pembedahan dan yang tidak menjalani pembedahan melalui analisis retrospektif.
Secara keseluruhan, penelitian kami menetapkan model risiko prognostik baru berdasarkan irlncRNA berpasangan, yang menunjukkan nilai prognostik yang menjanjikan pada pasien kanker pankreas. Model risiko prognostik kami dapat membantu membedakan pasien PAAD yang cocok untuk pengobatan medis.
Kumpulan data yang digunakan dan dianalisis dalam penelitian ini tersedia dari penulis terkait atas permintaan yang wajar.
Sui Wen, Gong X, Zhuang Y. Peran mediasi efikasi diri dalam regulasi emosi negatif selama pandemi COVID-19: studi potong lintang. Int J Ment Health Nurs [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; ulasan]. 2023 01/01/2023;137:104391.
Vincent A, Herman J, Schulich R, Hruban RH, Goggins M. Kanker pankreas. Lancet. [Artikel jurnal; dukungan penelitian, NIH, eksternal; dukungan penelitian, pemerintah di luar AS; ulasan]. 2011 08/13/2011;378(9791):607–20.
Ilic M, Ilic I. Epidemiologi kanker pankreas. Jurnal Gastroenterologi Dunia. [Artikel jurnal, ulasan]. 28/11/2016;22(44):9694–705.
Liu X, Chen B, Chen J, Sun S. Nomogram baru terkait tp53 untuk memprediksi kelangsungan hidup keseluruhan pada pasien kanker pankreas. BMC Cancer [artikel jurnal]. 2021 31-03-2021;21(1):335.
Xian X, Zhu X, Chen Y, Huang B, Xiang W. Pengaruh terapi fokus solusi terhadap 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 05/01/2022;45(3):E663–73.
Zhang Cheng, Zheng Wen, Lu Y, Shan L, Xu Dong, Pan Y, dkk. Kadar antigen karsinoembrionik (CEA) pascaoperasi memprediksi hasil setelah reseksi kanker kolorektal pada pasien dengan kadar CEA praoperasi normal. Pusat Penelitian Kanker Translasi. [Artikel jurnal]. 2020 01.01.2020;9(1):111–8.
Hong Wen, Liang Li, Gu Yu, Qi Zi, Qiu Hua, Yang X, dkk. lncRNA terkait imun menghasilkan tanda baru dan memprediksi lanskap imun karsinoma hepatoseluler manusia. Mol Ther Nucleic acids [Artikel jurnal]. 2020 2020-12-04;22:937 – 47.
Toffey RJ, Zhu Y., Schulich RD Imunoterapi untuk kanker pankreas: hambatan dan terobosan. Ann Gastrointestinal Surgeon [Artikel Jurnal; ulasan]. 2018 07/01/2018;2(4):274–81.
Hull R, Mbita Z, Dlamini Z. RNA non-coding panjang (LncRNA), genomik tumor virus dan peristiwa penyambungan abnormal: implikasi terapeutik. AM J CANCER RES [artikel jurnal; ulasan]. 2021 01/20/2021;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 2021-01-01;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 papiler. pregen. [Artikel jurnal]. 2021 01/20/2021;12:627508.
Li X, Chen J, Yu Q, Huang X, Liu Z, Wang X, dkk. Karakteristik RNA non-coding panjang terkait autofagi memprediksi prognosis kanker payudara. pregen. [Artikel jurnal]. 2021 01/20/2021;12:569318.
Zhou M, Zhang Z, Zhao X, Bao S, Cheng L, Sun J. Enam tanda lncRNA terkait imun meningkatkan prognosis pada glioblastoma multiforme. MOL Neurobiology. [Artikel jurnal]. 2018 01.05.2018;55(5):3684–97.
Wu B, Wang Q, Fei J, Bao Y, Wang X, Song Z, dkk. Tanda tangan tri-lncRNA baru memprediksi kelangsungan hidup pasien kanker pankreas. PERWAKILAN ONKOL. [Artikel jurnal]. 2018 12/01/2018;40(6):3427–37.
Luo C, Lin K, Hu C, Zhu X, Zhu J, Zhu Z. LINC01094 meningkatkan perkembangan kanker pankreas dengan mengatur ekspresi LIN28B dan jalur PI3K/AKT melalui miR-577 yang diserap. Mol Therapeutics – Nucleic acids. 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 Clin Cancer 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 September 2023