Il cancro al pancreas è uno dei tumori più letali al mondo, con una prognosi infausta. Pertanto, è necessario un modello predittivo accurato per identificare i pazienti ad alto rischio di sviluppare il cancro al pancreas, al fine di personalizzare il trattamento e migliorare la prognosi di questi pazienti.
Abbiamo ottenuto i dati RNAseq dell'adenocarcinoma pancreatico (PAAD) del The Cancer Genome Atlas (TCGA) dal database UCSC Xena, identificato i lncRNA correlati all'immunità (irlncRNA) tramite analisi di correlazione e identificato le differenze tra i tessuti di adenocarcinoma pancreatico TCGA e normali. Abbiamo inoltre analizzato l'espressione genica (DEirlncRNA) del tessuto pancreatico e il genotipo di espressione tissutale (GTEx). Sono state eseguite ulteriori analisi di regressione univariata e lasso per costruire modelli di firma prognostica. Abbiamo quindi calcolato l'area sotto la curva e determinato il valore di cutoff ottimale per identificare i pazienti con adenocarcinoma pancreatico ad alto e basso rischio. L'obiettivo era confrontare le caratteristiche cliniche, l'infiltrazione di cellule immunitarie, il microambiente immunosoppressivo e la resistenza alla chemioterapia nei pazienti con cancro al pancreas ad alto e basso rischio.
Abbiamo identificato 20 coppie di DEirlncRNA e raggruppato i pazienti in base al valore di cutoff ottimale. Abbiamo dimostrato che il nostro modello di firma prognostica ha prestazioni significative nella previsione della prognosi dei pazienti con PAAD. L'AUC della curva ROC è 0,905 per la previsione a 1 anno, 0,942 per la previsione a 2 anni e 0,966 per la previsione a 3 anni. I pazienti ad alto rischio presentavano tassi di sopravvivenza inferiori e caratteristiche cliniche peggiori. Abbiamo anche dimostrato che i pazienti ad alto rischio sono immunocompromessi e possono sviluppare resistenza all'immunoterapia. La valutazione di farmaci antitumorali come paclitaxel, sorafenib ed erlotinib basata su strumenti di previsione computazionale potrebbe essere appropriata per i pazienti ad alto rischio con PAAD.
Nel complesso, il nostro studio ha stabilito un nuovo modello di rischio prognostico basato su coppie di irlncRNA, che ha mostrato un promettente valore prognostico nei pazienti con cancro al pancreas. Il nostro modello di rischio prognostico potrebbe aiutare a distinguere i pazienti con PAAD idonei al trattamento medico.
Il cancro al pancreas è un tumore maligno con un basso tasso di sopravvivenza a cinque anni e un alto grado di malignità. Al momento della diagnosi, la maggior parte dei pazienti si trova già in uno stadio avanzato. Nel contesto dell'epidemia di COVID-19, medici e infermieri sono sottoposti a un'enorme pressione nel trattamento dei pazienti affetti da cancro al pancreas, e anche le famiglie dei pazienti affrontano molteplici pressioni nel prendere decisioni terapeutiche [1, 2]. Sebbene siano stati fatti grandi progressi nel trattamento dei DOAD, come la terapia neoadiuvante, la resezione chirurgica, la radioterapia, la chemioterapia, la terapia molecolare mirata e gli inibitori dei checkpoint immunitari (ICI), solo circa il 9% dei pazienti sopravvive cinque anni dopo la diagnosi [3, 4]. Poiché i sintomi precoci dell'adenocarcinoma pancreatico sono atipici, ai pazienti viene solitamente diagnosticata la presenza di metastasi in uno stadio avanzato [5]. Pertanto, per un dato paziente, il trattamento globale individualizzato deve valutare i vantaggi e gli svantaggi di tutte le opzioni terapeutiche, non solo per prolungare la sopravvivenza, ma anche per migliorare la qualità della vita [6]. Pertanto, è necessario un modello di previsione efficace per valutare accuratamente la prognosi di un paziente [7]. In questo modo, è possibile selezionare un trattamento appropriato per bilanciare la sopravvivenza e la qualità della vita dei pazienti affetti da PAAD.
La prognosi sfavorevole del PAAD è dovuta principalmente alla resistenza ai farmaci chemioterapici. Negli ultimi anni, gli inibitori dei checkpoint immunitari sono stati ampiamente utilizzati nel trattamento dei tumori solidi [8]. Tuttavia, l'uso degli ICI nel cancro del pancreas raramente ha successo [9]. Pertanto, è importante identificare i pazienti che potrebbero beneficiare della terapia con ICI.
L'RNA non codificante lungo (lncRNA) è un tipo di RNA non codificante con trascritti >200 nucleotidi. Gli lncRNA sono diffusi e costituiscono circa l'80% del trascrittoma umano [10]. Un'ampia mole di lavoro ha dimostrato che i modelli prognostici basati sugli lncRNA possono prevedere efficacemente la prognosi del paziente [11, 12]. Ad esempio, sono stati identificati 18 lncRNA correlati all'autofagia per generare firme prognostiche nel cancro al seno [13]. Altri sei lncRNA correlati all'immunità sono stati utilizzati per stabilire le caratteristiche prognostiche del glioma [14].
Nel cancro al pancreas, alcuni studi hanno stabilito firme basate su lncRNA per prevedere la prognosi del paziente. Una firma di 3 lncRNA è stata stabilita nell'adenocarcinoma pancreatico con un'area sotto la curva ROC (AUC) di soli 0,742 e una sopravvivenza globale (OS) di 3 anni [15]. Inoltre, i valori di espressione di lncRNA variano tra diversi genomi, diversi formati di dati e diversi pazienti, e le prestazioni del modello predittivo sono instabili. Pertanto, utilizziamo un nuovo algoritmo di modellazione, accoppiamento e iterazione, per generare firme di lncRNA correlate all'immunità (irlncRNA) per creare un modello predittivo più accurato e stabile [8].
I dati RNAseq normalizzati (FPKM) e i dati clinici TCGA sul cancro al pancreas e sull'espressione tissutale del genotipo (GTEx) sono stati ottenuti dal database UCSC XENA (https://xenabrowser.net/datapages/). I file GTF sono stati ottenuti dal database Ensembl (http://asia.ensembl.org) e utilizzati per estrarre i profili di espressione di lncRNA da RNAseq. Abbiamo scaricato i geni correlati all'immunità dal database ImmPort (http://www.immport.org) e identificato i lncRNA correlati all'immunità (irlncRNA) utilizzando l'analisi di correlazione (p < 0,001, r > 0,4). Identificazione di irlncRNA espressi in modo differenziale (DEirlncRNA) incrociando irlncRNA e lncRNA espressi in modo differenziale ottenuti dal database GEPIA2 (http://gepia2.cancer-pku.cn/#index) nella coorte TCGA-PAAD (|logFC| > 1 e FDR <0,05).
Questo metodo è stato precedentemente riportato [8]. Nello specifico, costruiamo X per sostituire le coppie lncRNA A e lncRNA B. Quando il valore di espressione di lncRNA A è superiore al valore di espressione di lncRNA B, X è definito come 1, altrimenti X è definito come 0. Pertanto, possiamo ottenere una matrice di 0 o -1. L'asse verticale della matrice rappresenta ciascun campione e l'asse orizzontale rappresenta ciascuna coppia DEirlncRNA con un valore di 0 o 1.
L'analisi di regressione univariata, seguita dalla regressione Lasso, è stata utilizzata per selezionare le coppie di DEirlncRNA prognostiche. L'analisi di regressione Lasso ha utilizzato una convalida incrociata a 10 fold ripetuta 1000 volte (p < 0,05), con 1000 stimoli casuali per ogni iterazione. Quando la frequenza di ciascuna coppia di DEirlncRNA superava le 100 volte in 1000 cicli, le coppie di DEirlncRNA venivano selezionate per costruire un modello di rischio prognostico. Abbiamo quindi utilizzato la curva AUC per trovare il valore di cutoff ottimale per classificare i pazienti con PAAD in gruppi ad alto e basso rischio. Il valore AUC di ciascun modello è stato calcolato e rappresentato graficamente come una curva. Se la curva raggiunge il punto più alto, indicando il valore AUC massimo, il processo di calcolo si interrompe e il modello viene considerato il miglior candidato. Sono stati costruiti modelli di curva ROC a 1, 3 e 5 anni. Analisi di regressione univariata e multivariata sono state utilizzate per esaminare le prestazioni predittive indipendenti del modello di rischio prognostico.
Sono stati utilizzati sette strumenti per studiare i tassi di infiltrazione delle cellule immunitarie, tra cui XCELL, TIMER, QUANTISEQ, MCPCOUNTER, EPIC, CIBERSORT-ABS e CIBERSORT. I dati sull'infiltrazione delle cellule immunitarie sono stati scaricati dal database TIMER2 (http://timer.comp-genomics.org/#tab-5817-3). La differenza nel contenuto di cellule immunitarie infiltranti tra i gruppi ad alto e basso rischio del modello costruito è stata analizzata utilizzando il test di Wilcoxon per ranghi con segno; i risultati sono mostrati nel grafico a quadrati. L'analisi di correlazione di Spearman è stata eseguita per analizzare la relazione tra i valori del punteggio di rischio e le cellule immunitarie infiltranti. Il coefficiente di correlazione risultante è mostrato come un lecca-lecca. La soglia di significatività è stata impostata a p < 0,05. La procedura è stata eseguita utilizzando il pacchetto R ggplot2. Per esaminare la relazione tra il modello e i livelli di espressione genica associati al tasso di infiltrazione delle cellule immunitarie, abbiamo utilizzato il pacchetto ggstatsplot e la visualizzazione con il grafico a violino.
Per valutare i modelli di trattamento clinico per il cancro al pancreas, abbiamo calcolato l'IC50 dei farmaci chemioterapici comunemente utilizzati nella coorte TCGA-PAAD. Le differenze nelle concentrazioni inibitorie al 50% (IC50) tra i gruppi ad alto e basso rischio sono state confrontate utilizzando il test di Wilcoxon per ranghi con segno e i risultati sono mostrati come boxplot generati utilizzando pRRophetic e ggplot2 in R. Tutti i metodi sono conformi alle linee guida e alle norme pertinenti.
Il flusso di lavoro del nostro studio è illustrato nella Figura 1. Utilizzando l'analisi di correlazione tra lncRNA e geni correlati all'immunità, abbiamo selezionato 724 irlncRNA con p < 0,01 e r > 0,4. Successivamente, abbiamo analizzato i lncRNA differenzialmente espressi di GEPIA2 (Figura 2A). Un totale di 223 irlncRNA sono risultati differenzialmente espressi tra adenocarcinoma pancreatico e tessuto pancreatico normale (|logFC| > 1, FDR < 0,05), denominati DEirlncRNA.
Costruzione di modelli di rischio predittivi. (A) Grafico a vulcano degli lncRNA differenzialmente espressi. (B) Distribuzione dei coefficienti lasso per 20 coppie di DEirlncRNA. (C) Varianza di verosimiglianza parziale della distribuzione dei coefficienti LASSO. (D) Grafico a foresta che mostra l'analisi di regressione univariata di 20 coppie di DEirlncRNA.
Abbiamo quindi costruito una matrice 0 o 1 accoppiando 223 DEirlncRNA. Sono state identificate in totale 13.687 coppie di DEirlncRNA. Dopo l'analisi di regressione univariata e lasso, 20 coppie di DEirlncRNA sono state infine testate per costruire un modello di rischio prognostico (Figura 2B-D). Sulla base dei risultati dell'analisi di regressione Lasso e multipla, abbiamo calcolato un punteggio di rischio per ciascun paziente nella coorte TCGA-PAAD (Tabella 1). Sulla base dei risultati dell'analisi di regressione lasso, abbiamo calcolato un punteggio di rischio per ciascun paziente nella coorte TCGA-PAAD. L'AUC della curva ROC era 0,905 per la previsione del modello di rischio a 1 anno, 0,942 per la previsione a 2 anni e 0,966 per la previsione a 3 anni (Figura 3A-B). Abbiamo impostato un valore di cutoff ottimale di 3,105, stratificato i pazienti della coorte TCGA-PAAD in gruppi ad alto e basso rischio e rappresentato graficamente i risultati di sopravvivenza e le distribuzioni del punteggio di rischio per ciascun paziente (Figura 3C-E). L'analisi di Kaplan-Meier ha mostrato che la sopravvivenza dei pazienti PAAD nel gruppo ad alto rischio era significativamente inferiore a quella dei pazienti nel gruppo a basso rischio (p < 0,001) (Figura 3F).
Validità dei modelli di rischio prognostico. (A) Curva ROC del modello di rischio prognostico. (B) Curva ROC a 1, 2 e 3 anni dei modelli di rischio prognostico. (C) Curva ROC del modello di rischio prognostico. Mostra il punto di cut-off ottimale. (DE) Distribuzione dello stato di sopravvivenza (D) e dei punteggi di rischio (E). (F) Analisi di Kaplan-Meier dei pazienti con PAAD nei gruppi ad alto e basso rischio.
Abbiamo ulteriormente valutato le differenze nei punteggi di rischio in base alle caratteristiche cliniche. Il grafico a strisce (Figura 4A) mostra la relazione complessiva tra le caratteristiche cliniche e i punteggi di rischio. In particolare, i pazienti più anziani presentavano punteggi di rischio più elevati (Figura 4B). Inoltre, i pazienti con stadio II presentavano punteggi di rischio più elevati rispetto ai pazienti con stadio I (Figura 4C). Per quanto riguarda il grado del tumore nei pazienti con PAAD, i pazienti di grado 3 presentavano punteggi di rischio più elevati rispetto ai pazienti di grado 1 e 2 (Figura 4D). Abbiamo inoltre eseguito analisi di regressione univariata e multivariata e dimostrato che il punteggio di rischio (p < 0,001) e l'età (p = 0,045) erano fattori prognostici indipendenti nei pazienti con PAAD (Figura 5A-B). La curva ROC ha dimostrato che il punteggio di rischio era superiore ad altre caratteristiche cliniche nella previsione della sopravvivenza a 1, 2 e 3 anni dei pazienti con PAAD (Figura 5C-E).
Caratteristiche cliniche dei modelli di rischio prognostico. L'istogramma (A) mostra (B) età, (C) stadio del tumore, (D) grado del tumore, punteggio di rischio e sesso dei pazienti nella coorte TCGA-PAAD. **p < 0,01
Analisi predittiva indipendente dei modelli di rischio prognostico. (AB) Analisi di regressione univariata (A) e multivariata (B) dei modelli di rischio prognostico e delle caratteristiche cliniche. (CE) Curva ROC a 1, 2 e 3 anni per i modelli di rischio prognostico e le caratteristiche cliniche.
Pertanto, abbiamo esaminato la relazione tra tempo e punteggi di rischio. Abbiamo scoperto che il punteggio di rischio nei pazienti con PAAD era inversamente correlato con le cellule T CD8+ e le cellule NK (Figura 6A), indicando una funzione immunitaria soppressa nel gruppo ad alto rischio. Abbiamo anche valutato la differenza nell'infiltrazione di cellule immunitarie tra i gruppi ad alto e basso rischio e abbiamo trovato gli stessi risultati (Figura 7). C'era una minore infiltrazione di cellule T CD8+ e cellule NK nel gruppo ad alto rischio. Negli ultimi anni, gli inibitori dei checkpoint immunitari (ICI) sono stati ampiamente utilizzati nel trattamento dei tumori solidi. Tuttavia, l'uso di ICI nel cancro del pancreas ha raramente avuto successo. Pertanto, abbiamo valutato l'espressione dei geni dei checkpoint immunitari nei gruppi ad alto e basso rischio. Abbiamo scoperto che CTLA-4 e CD161 (KLRB1) erano sovraespressi nel gruppo a basso rischio (Figura 6B-G), indicando che i pazienti con PAAD nel gruppo a basso rischio potrebbero essere sensibili agli ICI.
Analisi di correlazione tra modello di rischio prognostico e infiltrazione di cellule immunitarie. (A) Correlazione tra modello di rischio prognostico e infiltrazione di cellule immunitarie. (BG) Indica l'espressione genica nei gruppi ad alto e basso rischio. (HK) Valori di IC50 per farmaci antitumorali specifici nei gruppi ad alto e basso rischio. *p < 0,05, **p < 0,01, ns = non significativo
Abbiamo ulteriormente valutato l'associazione tra i punteggi di rischio e i comuni agenti chemioterapici nella coorte TCGA-PAAD. Abbiamo cercato i farmaci antitumorali comunemente usati nel cancro al pancreas e analizzato le differenze nei loro valori di IC50 tra i gruppi ad alto e basso rischio. I risultati hanno mostrato che il valore di IC50 di AZD.2281 (olaparib) era più alto nel gruppo ad alto rischio, indicando che i pazienti con PAAD nel gruppo ad alto rischio potrebbero essere resistenti al trattamento con AZD.2281 (Figura 6H). Inoltre, i valori di IC50 di paclitaxel, sorafenib ed erlotinib erano più bassi nel gruppo ad alto rischio (Figura 6I-K). Abbiamo inoltre identificato 34 farmaci antitumorali con valori di IC50 più alti nel gruppo ad alto rischio e 34 farmaci antitumorali con valori di IC50 più bassi nel gruppo ad alto rischio (Tabella 2).
Non si può negare che lncRNA, mRNA e miRNA siano ampiamente diffusi e svolgano un ruolo cruciale nello sviluppo del cancro. Esistono numerose prove a supporto dell'importante ruolo di mRNA o miRNA nella previsione della sopravvivenza globale in diversi tipi di cancro. Indubbiamente, molti modelli di rischio prognostico si basano anche sugli lncRNA. Ad esempio, gli studi di Luo et al. hanno dimostrato che LINC01094 svolge un ruolo chiave nella proliferazione e metastasi del cancro al pancreas e che un'elevata espressione di LINC01094 indica una scarsa sopravvivenza dei pazienti affetti da cancro al pancreas [16]. Lo studio presentato da Lin et al. ha dimostrato che la downregulation di lncRNA FLVCR1-AS1 è associata a una prognosi sfavorevole nei pazienti affetti da cancro al pancreas [17]. Tuttavia, gli lncRNA correlati all'immunità sono relativamente meno discussi in termini di previsione della sopravvivenza globale dei pazienti oncologici. Recentemente, una grande quantità di lavoro si è concentrata sulla costruzione di modelli di rischio prognostico per prevedere la sopravvivenza dei pazienti oncologici e quindi adattare i metodi di trattamento [18, 19, 20]. Si sta diffondendo il riconoscimento dell'importante ruolo degli infiltrati immunitari nell'inizio del cancro, nella progressione e nella risposta a trattamenti come la chemioterapia. Numerosi studi hanno confermato che le cellule immunitarie infiltranti il tumore svolgono un ruolo critico nella risposta alla chemioterapia citotossica [21, 22, 23]. Il microambiente immunitario tumorale è un fattore importante per la sopravvivenza dei pazienti affetti da tumore [24, 25]. L'immunoterapia, in particolare la terapia con ICI, è ampiamente utilizzata nel trattamento dei tumori solidi [26]. I geni correlati all'immunità sono ampiamente utilizzati per costruire modelli di rischio prognostico. Ad esempio, Su et al. Il modello di rischio prognostico correlato all'immunità si basa su geni codificanti proteine per prevedere la prognosi delle pazienti con cancro ovarico [27]. Anche i geni non codificanti come gli lncRNA sono adatti per costruire modelli di rischio prognostico [28, 29, 30]. Luo et al. hanno testato quattro lncRNA correlati all'immunità e hanno costruito un modello predittivo per il rischio di cancro cervicale [31]. Khan et al. Sono stati identificati un totale di 32 trascritti espressi in modo differenziale e, sulla base di ciò, è stato stabilito un modello di previsione con 5 trascritti significativi, che è stato proposto come strumento altamente raccomandato per prevedere il rigetto acuto provato da biopsia dopo il trapianto di rene [32].
La maggior parte di questi modelli si basa sui livelli di espressione genica, sia di geni codificanti per proteine che di geni non codificanti. Tuttavia, lo stesso gene può presentare valori di espressione differenti in genomi, formati di dati e pazienti diversi, il che può portare a stime instabili nei modelli predittivi. In questo studio, abbiamo costruito un modello affidabile con due coppie di lncRNA, indipendentemente dai valori di espressione esatti.
In questo studio, abbiamo identificato per la prima volta gli irlncRNA attraverso l'analisi di correlazione con i geni correlati all'immunità. Abbiamo analizzato 223 DEirlncRNA mediante ibridazione con lncRNA espressi in modo differenziale. In secondo luogo, abbiamo costruito una matrice 0 o 1 basata sul metodo di accoppiamento DEirlncRNA pubblicato [31]. Abbiamo quindi eseguito analisi di regressione univariata e lasso per identificare le coppie prognostiche di DEirlncRNA e costruire un modello di rischio predittivo. Abbiamo inoltre analizzato l'associazione tra i punteggi di rischio e le caratteristiche cliniche nei pazienti con PAAD. Abbiamo scoperto che il nostro modello di rischio prognostico, come fattore prognostico indipendente nei pazienti con PAAD, può differenziare efficacemente i pazienti di alto grado da quelli di basso grado e i pazienti di alto grado da quelli di basso grado. Inoltre, i valori AUC della curva ROC del modello di rischio prognostico erano 0,905 per la previsione a 1 anno, 0,942 per la previsione a 2 anni e 0,966 per la previsione a 3 anni.
I ricercatori hanno riferito che i pazienti con una maggiore infiltrazione di cellule T CD8+ erano più sensibili al trattamento con ICI [33]. Un aumento del contenuto di cellule citotossiche, cellule NK CD56, cellule NK e cellule T CD8+ nel microambiente immunitario del tumore potrebbe essere una delle ragioni dell'effetto soppressivo del tumore [34]. Studi precedenti hanno dimostrato che livelli più elevati di cellule T CD4(+) e CD8(+) infiltranti il tumore erano significativamente associati a una sopravvivenza più lunga [35]. Una scarsa infiltrazione di cellule T CD8, un basso carico di neoantigeni e un microambiente tumorale altamente immunosoppressivo portano alla mancanza di risposta alla terapia con ICI [36]. Abbiamo scoperto che il punteggio di rischio era correlato negativamente con le cellule T CD8+ e le cellule NK, indicando che i pazienti con punteggi di rischio elevati potrebbero non essere adatti al trattamento con ICI e avere una prognosi peggiore.
CD161 è un marcatore delle cellule natural killer (NK). Le cellule T CD8+CD161+ trasdotte con CAR mediano una maggiore efficacia antitumorale in vivo nei modelli di xenotrapianto di adenocarcinoma duttale pancreatico HER2+ [37]. Gli inibitori del checkpoint immunitario prendono di mira la proteina 4 associata ai linfociti T citotossici (CTLA-4) e le vie della proteina 1 della morte cellulare programmata (PD-1)/ligando 1 della morte cellulare programmata (PD-L1) e hanno un grande potenziale in molte aree. L'espressione di CTLA-4 e CD161 (KLRB1) è inferiore nei gruppi ad alto rischio, indicando ulteriormente che i pazienti con punteggi di rischio elevati potrebbero non essere idonei al trattamento con ICI. [38]
Per trovare opzioni di trattamento adatte ai pazienti ad alto rischio, abbiamo analizzato vari farmaci antitumorali e scoperto che paclitaxel, sorafenib ed erlotinib, ampiamente utilizzati nei pazienti con PAAD, potrebbero essere adatti ai pazienti ad alto rischio con PAAD [33]. Zhang et al hanno scoperto che le mutazioni in qualsiasi via di risposta al danno del DNA (DDR) possono portare a una prognosi sfavorevole nei pazienti con cancro alla prostata [39]. Lo studio Pancreatic Cancer Olaparib Ongoing (POLO) ha dimostrato che il trattamento di mantenimento con olaparib ha prolungato la sopravvivenza libera da progressione rispetto al placebo dopo la chemioterapia di prima linea a base di platino nei pazienti con adenocarcinoma duttale pancreatico e mutazioni germinali BRCA1/2 [40]. Ciò fornisce un notevole ottimismo sul fatto che i risultati del trattamento miglioreranno significativamente in questo sottogruppo di pazienti. In questo studio, il valore di IC50 di AZD.2281 (olaparib) è risultato più elevato nel gruppo ad alto rischio, indicando che i pazienti affetti da PAAD appartenenti a questo gruppo potrebbero essere resistenti al trattamento con AZD.2281.
I modelli di previsione in questo studio producono buoni risultati di previsione, ma sono basati su previsioni analitiche. Come confermare questi risultati con dati clinici è una questione importante. L'agoaspirazione ecografica endoscopica (EUS-FNA) è diventata un metodo indispensabile per la diagnosi di lesioni pancreatiche solide ed extrapancreatiche con una sensibilità dell'85% e una specificità del 98% [41]. L'avvento degli aghi per biopsia con ago sottile EUS (EUS-FNB) si basa principalmente sui vantaggi percepiti rispetto all'FNA, come una maggiore accuratezza diagnostica, l'ottenimento di campioni che preservano la struttura istologica e quindi la generazione di tessuto immunitario che è fondamentale per determinate diagnosi con colorazione speciale [42]. Una revisione sistematica della letteratura ha confermato che gli aghi FNB (in particolare 22G) dimostrano la massima efficienza nel prelievo di tessuto da masse pancreatiche [43]. Clinicamente, solo un piccolo numero di pazienti è idoneo alla chirurgia radicale e la maggior parte dei pazienti presenta tumori inoperabili al momento della diagnosi iniziale. Nella pratica clinica, solo una piccola percentuale di pazienti è idonea alla chirurgia radicale, poiché la maggior parte presenta tumori inoperabili al momento della diagnosi iniziale. Dopo la conferma istologica tramite EUS-FNB e altri metodi, si opta solitamente per un trattamento non chirurgico standardizzato, come la chemioterapia. Il nostro successivo programma di ricerca prevede di testare il modello prognostico di questo studio in gruppi di pazienti sottoposti a intervento chirurgico e non chirurgico, attraverso un'analisi retrospettiva.
Nel complesso, il nostro studio ha stabilito un nuovo modello di rischio prognostico basato su coppie di irlncRNA, che ha mostrato un promettente valore prognostico nei pazienti con cancro al pancreas. Il nostro modello di rischio prognostico potrebbe aiutare a distinguere i pazienti con PAAD idonei al trattamento medico.
I set di dati utilizzati e analizzati nel presente studio sono disponibili presso l'autore corrispondente su richiesta motivata.
Sui Wen, Gong X, Zhuang Y. Il ruolo di mediazione dell'autoefficacia nella regolazione emotiva delle emozioni negative durante la pandemia di COVID-19: uno studio trasversale. Int J Ment Health Nurs [articolo di rivista]. 2021 06/01/2021;30(3):759–71.
Sui Wen, Gong X, Qiao X, Zhang L, Cheng J, Dong J, et al. Opinioni dei familiari sul processo decisionale alternativo nelle unità di terapia intensiva: una revisione sistematica. INT J NURS STUD [articolo di rivista; revisione]. 2023 01/01/2023;137:104391.
Vincent A, Herman J, Schulich R, Hruban RH, Goggins M. Cancro al pancreas. Lancet. [Articolo di rivista; supporto alla ricerca, NIH, esterno; supporto alla ricerca, governo al di fuori degli Stati Uniti; revisione]. 2011 13/08/2011;378(9791):607–20.
Ilic M, Ilic I. Epidemiologia del cancro al pancreas. World Journal of Gastroenterology. [Articolo di rivista, revisione]. 28/11/2016;22(44):9694–705.
Liu X, Chen B, Chen J, Sun S. Un nuovo nomogramma correlato a tp53 per predire la sopravvivenza globale nei pazienti con cancro al pancreas. BMC Cancer [articolo di rivista]. 2021 31-03-2021;21(1):335.
Xian X, Zhu X, Chen Y, Huang B, Xiang W. Effetto della terapia focalizzata sulla soluzione sull'affaticamento correlato al cancro nei pazienti con cancro del colon-retto sottoposti a chemioterapia: uno studio clinico randomizzato controllato. Cancer nurse. [Articolo di rivista; studio clinico randomizzato controllato; lo studio è finanziato da un governo al di fuori degli Stati Uniti]. 2022 05/01/2022;45(3):E663–73.
Zhang Cheng, Zheng Wen, Lu Y, Shan L, Xu Dong, Pan Y, et al. I livelli postoperatori di antigene carcinoembrionario (CEA) predicono l'esito dopo resezione del cancro del colon-retto in pazienti con livelli preoperatori di CEA normali. Centro per la ricerca traslazionale sul cancro. [Articolo di rivista]. 2020 01.01.2020;9(1):111–8.
Hong Wen, Liang Li, Gu Yu, Qi Zi, Qiu Hua, Yang X, et al. I lncRNA correlati all'immunità generano nuove firme e predicono il panorama immunitario del carcinoma epatocellulare umano. Mol Ther Nucleic acids [Articolo di rivista]. 2020 2020-12-04;22:937 – 47.
Toffey RJ, Zhu Y., Schulich RD Immunoterapia per il cancro al pancreas: ostacoli e progressi. Ann Gastrointestinal Surgeon [Articolo di rivista; revisione]. 2018 07/01/2018;2(4):274–81.
Hull R, Mbita Z, Dlamini Z. RNA non codificanti lunghi (lncRNA), genomica virale dei tumori ed eventi di splicing aberrante: implicazioni terapeutiche. AM J CANCER RES [articolo di rivista; revisione]. 20/01/2021;11(3):866–83.
Wang J, Chen P, Zhang Y, Ding J, Yang Y, Li H. 11-Identificazione di firme lncRNA associate alla prognosi del cancro endometriale. Risultati della scienza [articolo di rivista]. 2021 2021-01-01;104(1):311977089.
Jiang S, Ren H, Liu S, Lu Z, Xu A, Qin S, et al. Analisi completa dei geni prognostici delle proteine leganti l'RNA e dei potenziali farmaci nel carcinoma a cellule renali papillare. pregen. [Articolo di rivista]. 20/01/2021;12:627508.
Li X, Chen J, Yu Q, Huang X, Liu Z, Wang X, et al. Le caratteristiche dell'RNA non codificante lungo correlato all'autofagia predicono la prognosi del cancro al seno. pregen. [Articolo di rivista]. 20/01/2021;12:569318.
Zhou M, Zhang Z, Zhao X, Bao S, Cheng L, Sun J. Una firma di sei lncRNA correlati all'immunità migliora la prognosi nel glioblastoma multiforme. MOL Neurobiology. [Articolo di rivista]. 2018 01.05.2018;55(5):3684–97.
Wu B, Wang Q, Fei J, Bao Y, Wang X, Song Z, et al. Una nuova firma tri-lncRNA predice la sopravvivenza dei pazienti con cancro al pancreas. REPRESENTATIVES OF ONKOL. [Articolo di rivista]. 2018 12/01/2018;40(6):3427–37.
Luo C, Lin K, Hu C, Zhu X, Zhu J, Zhu Z. LINC01094 promuove la progressione del cancro al pancreas regolando l'espressione di LIN28B e la via PI3K/AKT attraverso l'azione di "spugna" su miR-577. Mol Therapeutics – Nucleic acids. 2021;26:523–35.
Lin J, Zhai X, Zou S, Xu Z, Zhang J, Jiang L, et al. Il feedback positivo tra lncRNA FLVCR1-AS1 e KLF10 può inibire la progressione del cancro pancreatico attraverso la via PTEN/AKT. J EXP Clin Cancer Res. 2021;40(1).
Zhou X, Liu X, Zeng X, Wu D, Liu L. Identificazione di tredici geni predittivi della sopravvivenza globale nel carcinoma epatocellulare. Biosci Rep [articolo di rivista]. 2021 04/09/2021.
Data di pubblicazione: 22 settembre 2023