췌장암은 예후가 매우 불량한, 세계에서 가장 치명적인 종양 중 하나입니다. 따라서 췌장암 고위험 환자를 정확하게 예측하여 맞춤형 치료를 제공하고 예후를 개선하기 위해서는 정밀한 예측 모델이 필요합니다.
본 연구에서는 UCSC Xena 데이터베이스에서 얻은 TCGA(The Cancer Genome Atlas) 췌장선암(PAAD) RNAseq 데이터를 이용하여 면역 관련 lncRNA(irlncRNA)를 상관 분석을 통해 동정하고, TCGA와 정상 췌장선암 조직 간의 차이를 분석하였다. 또한, TCGA에서 얻은 차등 발현 irlncRNA(DEirlncRNA)와 췌장 조직의 유전자형 조직 발현(GTEx)을 분석하였다. 단변량 및 라쏘 회귀 분석을 통해 예후 예측 모델을 구축하고, 곡선 아래 면적(AUC)을 계산하여 고위험군과 저위험군 췌장선암 환자를 구분하는 최적의 절단값을 결정하였다. 나아가 고위험군과 저위험군 췌장암 환자에서 임상적 특성, 면역세포 침윤, 면역억제 미세환경, 항암화학요법 내성을 비교 분석하였다.
본 연구에서는 20개의 차등 발현 irlncRNA 쌍을 식별하고 최적의 절단값을 기준으로 환자들을 그룹화했습니다. 우리의 예후 예측 모델이 췌장선암(PAAD) 환자의 예후 예측에 있어 유의미한 성능을 보임을 입증했습니다. ROC 곡선의 AUC 값은 1년 예측에서 0.905, 2년 예측에서 0.942, 3년 예측에서 0.966이었습니다. 고위험군 환자들은 생존율이 낮고 임상적 특성이 더 좋지 않았습니다. 또한, 고위험군 환자들은 면역억제 상태이며 면역요법에 대한 내성이 발생할 가능성이 높다는 것을 확인했습니다. 따라서 파클리탁셀, 소라페닙, 엘로티닙과 같은 항암제의 효과를 평가할 때 전산 예측 도구를 활용하는 것이 고위험군 PAAD 환자에게 적합할 수 있습니다.
종합적으로, 본 연구는 쌍을 이루는 irlncRNA를 기반으로 하는 새로운 예후 위험 모델을 구축했으며, 이는 췌장암 환자에서 유망한 예후 예측 가치를 보여주었습니다. 본 예후 위험 모델은 약물 치료에 적합한 췌장선암 환자를 구분하는 데 도움이 될 수 있습니다.
췌장암은 5년 생존율이 낮고 악성도가 높은 종양입니다. 대부분의 환자는 진단 시점에 이미 진행성 단계에 있습니다. 특히 코로나19 팬데믹 상황에서 의료진은 췌장암 환자 치료에 막대한 부담을 안고 있으며, 환자 가족 또한 치료 결정에 있어 여러 가지 어려움에 직면하고 있습니다[1, 2]. 선행 항암화학요법, 수술적 절제, 방사선 치료, 화학요법, 표적 분자 치료, 면역관문 억제제(ICI) 등 진행성 췌장암(DOAD) 치료에 상당한 발전이 있었음에도 불구하고, 진단 후 5년 생존율은 약 9%에 불과합니다[3, 4]. 췌장 선암의 초기 증상은 비정형적이어서 환자들은 대개 전이가 진행된 상태에서 진단받습니다[5]. 따라서 환자 개개인에게 맞는 종합적인 치료는 생존 기간 연장뿐 아니라 삶의 질 향상을 위해서도 모든 치료 옵션의 장단점을 신중하게 고려해야 합니다[6]. 따라서 환자의 예후를 정확하게 평가하기 위해서는 효과적인 예측 모델이 필요합니다[7]. 이를 통해 PAAD 환자의 생존과 삶의 질의 균형을 맞추기 위해 적절한 치료법을 선택할 수 있습니다.
췌장선암(PAAD)의 예후가 좋지 않은 주된 이유는 항암제에 대한 내성 때문입니다. 최근 면역 체크포인트 억제제(ICI)는 고형암 치료에 널리 사용되고 있습니다[8]. 그러나 췌장암에서 ICI의 사용은 성공률이 매우 낮습니다[9]. 따라서 ICI 치료의 혜택을 받을 수 있는 환자를 식별하는 것이 중요합니다.
장쇄 비코딩 RNA(lncRNA)는 전사체가 200개 이상의 뉴클레오티드로 구성된 비코딩 RNA의 한 종류입니다. lncRNA는 널리 분포되어 있으며 인간 전사체의 약 80%를 차지합니다[10]. 많은 연구에서 lncRNA 기반 예후 모델이 환자의 예후를 효과적으로 예측할 수 있음을 보여주었습니다[11, 12]. 예를 들어, 유방암에서 예후 예측 지표를 생성하기 위해 18개의 자가포식 관련 lncRNA가 확인되었습니다[13]. 또한 6개의 다른 면역 관련 lncRNA는 교종의 예후 특징을 확립하는 데 사용되었습니다[14].
췌장암의 경우, 일부 연구에서는 환자의 예후를 예측하기 위해 lncRNA 기반 시그니처를 확립했습니다. 췌장 선암에서 3개의 lncRNA로 구성된 시그니처를 확립했는데, ROC 곡선 아래 면적(AUC)은 0.742에 불과했고 전체 생존율(OS)은 3년이었습니다[15]. 또한, lncRNA 발현 값은 유전체, 데이터 형식, 환자에 따라 다양하며 예측 모델의 성능이 불안정합니다. 따라서 본 연구에서는 보다 정확하고 안정적인 예측 모델을 구축하기 위해 새로운 모델링 알고리즘인 페어링 및 반복법을 사용하여 면역 관련 lncRNA(irlncRNA) 시그니처를 생성했습니다[8].
정규화된 RNAseq 데이터(FPKM)와 임상 췌장암 TCGA 및 유전자형 조직 발현(GTEx) 데이터는 UCSC XENA 데이터베이스(https://xenabrowser.net/datapages/)에서 얻었습니다. GTF 파일은 Ensembl 데이터베이스(http://asia.ensembl.org)에서 얻었으며, 이를 이용하여 RNAseq에서 lncRNA 발현 프로파일을 추출했습니다. 면역 관련 유전자는 ImmPort 데이터베이스(http://www.immport.org)에서 다운로드했으며, 상관 분석(p < 0.001, r > 0.4)을 통해 면역 관련 lncRNA(irlncRNA)를 식별했습니다. TCGA-PAAD 코호트에서 irlncRNA와 GEPIA2 데이터베이스(http://gepia2.cancer-pku.cn/#index)에서 얻은 차등 발현 lncRNA를 교배하여 차등 발현 irlncRNA(DEirlncRNA)를 식별했습니다(|logFC| > 1 및 FDR < 0.05).
이 방법은 이전에 보고된 바 있다[8]. 구체적으로, 우리는 쌍을 이루는 lncRNA A와 lncRNA B를 대체하기 위해 X를 구성한다. lncRNA A의 발현값이 lncRNA B의 발현값보다 높으면 X를 1로 정의하고, 그렇지 않으면 X를 0으로 정의한다. 따라서 0 또는 -1로 이루어진 행렬을 얻을 수 있다. 행렬의 세로축은 각 샘플을 나타내고, 가로축은 0 또는 1의 값을 갖는 각 DEirlncRNA 쌍을 나타낸다.
단변량 회귀 분석 후 라쏘 회귀 분석을 사용하여 예후 예측에 유용한 차등 발현 irlncRNA(DEirlncRNA) 쌍을 선별했습니다. 라쏘 회귀 분석은 10겹 교차 검증을 1000회 반복하여 수행했으며(p < 0.05), 각 실행마다 1000개의 무작위 자극을 사용했습니다. 각 DEirlncRNA 쌍의 빈도가 1000회 반복 동안 100회를 초과할 경우, 해당 DEirlncRNA 쌍을 선택하여 예후 위험 모델을 구축했습니다. 그런 다음 AUC 곡선을 사용하여 PAAD 환자를 고위험군과 저위험군으로 분류하는 최적의 절단값을 찾았습니다. 각 모델의 AUC 값을 계산하여 곡선으로 나타냈습니다. 곡선이 최고점(최대 AUC 값)에 도달하면 계산을 중지하고 해당 모델을 최적의 후보로 간주했습니다. 1년, 3년, 5년 ROC 곡선 모델을 구축했습니다. 단변량 및 다변량 회귀 분석을 통해 예후 위험 모델의 독립적인 예측 성능을 검증했습니다.
XCELL, TIMER, QUANTISEQ, MCPCOUNTER, EPIC, CIBERSORT-ABS, CIBERSORT 등 7가지 도구를 사용하여 면역세포 침윤율을 분석했습니다. 면역세포 침윤 데이터는 TIMER2 데이터베이스(http://timer.comp-genomics.org/#tab-5817-3)에서 다운로드했습니다. 구축된 모델의 고위험군과 저위험군 간의 면역세포 침윤 정도 차이는 윌콕슨 부호순위 검정(Wilcoxon signed-rank test)을 이용하여 분석했으며, 결과는 사각형 그래프로 나타냈습니다. 위험 점수 값과 면역세포 침윤 정도 간의 상관관계는 스피어만 상관분석(Spearman correlation analysis)을 통해 분석했으며, 상관계수는 막대 그래프로 표시했습니다. 유의수준은 p < 0.05로 설정했습니다. 모든 분석은 R 패키지 ggplot2를 이용하여 수행했습니다. 면역세포 침윤율과 관련된 유전자 발현 수준과 모델 간의 관계를 시각화하기 위해 ggstatsplot 패키지를 사용하여 바이올린 플롯(violin plot)을 작성했습니다.
췌장암의 임상 치료 패턴을 평가하기 위해 TCGA-PAAD 코호트에서 흔히 사용되는 항암제의 IC50 값을 계산했습니다. 고위험군과 저위험군 간의 IC50 값 차이는 윌콕슨 부호순위 검정을 사용하여 비교했으며, 결과는 R의 pRRophetic 및 ggplot2 함수를 이용하여 박스플롯으로 나타냈습니다. 모든 방법은 관련 지침 및 규범을 준수했습니다.
본 연구의 워크플로는 그림 1에 나타나 있습니다. lncRNA와 면역 관련 유전자 간의 상관관계 분석을 통해 p < 0.01 및 r > 0.4인 724개의 irlncRNA를 선별했습니다. 다음으로 GEPIA2의 차등 발현 lncRNA를 분석했습니다(그림 2A). 췌장 선암과 정상 췌장 조직 간에 총 223개의 irlncRNA가 차등 발현되었으며(|logFC| > 1, FDR < 0.05), 이를 DEirlncRNA라고 명명했습니다.
예측 위험 모델 구축. (A) 차등 발현 lncRNA의 화산 도표. (B) 20쌍의 차등 발현 lncRNA에 대한 라쏘 계수 분포. (C) 라쏘 계수 분포의 부분 우도 분산. (D) 20쌍의 차등 발현 lncRNA에 대한 단변량 회귀 분석 결과를 보여주는 포레스트 도표.
다음으로 223개의 DEirlncRNA를 쌍으로 묶어 0 또는 1 행렬을 구성했습니다. 총 13,687개의 DEirlncRNA 쌍이 확인되었습니다. 단변량 및 라쏘 회귀 분석 후, 최종적으로 20개의 DEirlncRNA 쌍을 사용하여 예후 위험 모델을 구축했습니다(그림 2B-D). 라쏘 회귀 분석 및 다중 회귀 분석 결과를 바탕으로 TCGA-PAAD 코호트의 각 환자에 대한 위험 점수를 계산했습니다(표 1). ROC 곡선의 AUC는 1년 예측에서 0.905, 2년 예측에서 0.942, 3년 예측에서 0.966이었습니다(그림 3A-B). 최적의 절단값으로 3.105를 설정하고, TCGA-PAAD 코호트 환자들을 고위험군과 저위험군으로 분류한 후, 각 환자의 생존 결과와 위험 점수 분포를 그래프로 나타냈다(그림 3C-E). Kaplan-Meier 분석 결과, 고위험군 PAAD 환자의 생존율이 저위험군 환자보다 유의하게 낮았다(p < 0.001)(그림 3F).
예후 위험 모델의 타당성. (A) 예후 위험 모델의 ROC 곡선. (B) 1년, 2년, 3년 예후 위험 모델의 ROC 곡선. (C) 예후 위험 모델의 ROC 곡선. 최적의 절단점을 보여준다. (D) 생존 상태 분포 및 (E) 위험 점수 분포. (F) 고위험군 및 저위험군 PAAD 환자의 Kaplan-Meier 분석.
우리는 임상적 특성에 따른 위험 점수의 차이를 추가적으로 평가했습니다. 스트립 플롯(그림 4A)은 임상적 특성과 위험 점수 간의 전반적인 관계를 보여줍니다. 특히, 고령 환자일수록 위험 점수가 높았습니다(그림 4B). 또한, 2기 환자는 1기 환자보다 위험 점수가 높았습니다(그림 4C). PAAD 환자의 종양 등급과 관련하여, 3등급 환자는 1등급 및 2등급 환자보다 위험 점수가 높았습니다(그림 4D). 단변량 및 다변량 회귀 분석을 추가로 수행한 결과, 위험 점수(p < 0.001)와 연령(p = 0.045)이 PAAD 환자의 독립적인 예후 인자임을 확인했습니다(그림 5A-B). ROC 곡선은 위험 점수가 PAAD 환자의 1년, 2년 및 3년 생존율을 예측하는 데 있어 다른 임상적 특성보다 우수함을 보여주었습니다(그림 5C-E).
예후 위험 모델의 임상적 특성. 히스토그램(A)은 TCGA-PAAD 코호트 환자의 (B) 연령, (C) 종양 병기, (D) 종양 등급, 위험 점수 및 성별을 보여줍니다. **p < 0.01
예후 위험 모델의 독립적인 예측 분석. (AB) 예후 위험 모델과 임상적 특성에 대한 단변량(A) 및 다변량(B) 회귀 분석. (CE) 예후 위험 모델과 임상적 특성에 대한 1년, 2년 및 3년 ROC 곡선.
따라서 우리는 시간과 위험 점수 간의 관계를 조사했습니다. 췌장선암(PAAD) 환자의 위험 점수는 CD8+ T 세포 및 NK 세포와 역상관 관계를 보였으며(그림 6A), 이는 고위험군에서 면역 기능이 억제되었음을 시사합니다. 또한 고위험군과 저위험군 간의 면역 세포 침윤 차이를 평가한 결과, 동일한 결과를 얻었습니다(그림 7). 고위험군에서는 CD8+ T 세포와 NK 세포의 침윤이 더 적었습니다. 최근 면역 체크포인트 억제제(ICI)는 고형암 치료에 널리 사용되고 있지만, 췌장암에서는 ICI의 성공적인 적용 사례가 드뭅니다. 따라서 우리는 고위험군과 저위험군에서 면역 체크포인트 유전자의 발현을 평가했습니다. 그 결과, 저위험군에서 CTLA-4와 CD161(KLRB1)이 과발현된 것을 확인했으며(그림 6B-G), 이는 저위험군에 속하는 PAAD 환자들이 ICI에 더 민감할 수 있음을 시사합니다.
예후 위험 모델과 면역 세포 침윤의 상관관계 분석. (A) 예후 위험 모델과 면역 세포 침윤 간의 상관관계. (BG) 고위험군과 저위험군에서의 유전자 발현을 나타낸다. (HK) 고위험군과 저위험군에서 특정 항암제의 IC50 값. *p < 0.05, **p < 0.01, ns = 유의미하지 않음
본 연구에서는 TCGA-PAAD 코호트에서 위험 점수와 일반적인 항암 화학 요법제 간의 연관성을 추가적으로 평가했습니다. 췌장암 치료에 흔히 사용되는 항암제를 검색하고 고위험군과 저위험군 간의 IC50 값 차이를 분석했습니다. 그 결과, AZD.2281(올라파립)의 IC50 값이 고위험군에서 더 높게 나타났으며, 이는 고위험군 PAAD 환자들이 AZD.2281 치료에 내성을 보일 가능성이 있음을 시사합니다(그림 6H). 또한, 파클리탁셀, 소라페닙, 엘로티닙의 IC50 값은 고위험군에서 더 낮았습니다(그림 6I-K). 더 나아가, 고위험군에서 IC50 값이 더 높은 항암제 34종과 IC50 값이 더 낮은 항암제 34종을 추가로 확인했습니다(표 2).
lncRNA, mRNA, miRNA가 널리 존재하며 암 발생에 중요한 역할을 한다는 것은 부인할 수 없는 사실입니다. mRNA나 miRNA가 여러 유형의 암에서 전체 생존율 예측에 중요한 역할을 한다는 것을 뒷받침하는 충분한 증거가 있습니다. 또한 많은 예후 위험 모델이 lncRNA를 기반으로 하고 있습니다. 예를 들어, Luo 등의 연구에서는 LINC01094가 췌장암 세포의 증식과 전이에 중요한 역할을 하며, LINC01094의 높은 발현은 췌장암 환자의 불량한 생존율과 관련이 있다고 밝혔습니다[16]. Lin 등의 연구에서는 lncRNA FLVCR1-AS1의 발현 감소가 췌장암 환자의 불량한 예후와 관련이 있다고 보고했습니다[17]. 그러나 면역 관련 lncRNA는 암 환자의 전체 생존율 예측 측면에서 상대적으로 덜 논의되어 왔습니다. 최근에는 암 환자의 생존율을 예측하고 치료 방법을 조정하기 위한 예후 위험 모델 구축에 많은 연구가 집중되고 있습니다[18, 19, 20]. 암 발생, 진행 및 화학요법과 같은 치료 반응에 있어 면역 세포 침윤의 중요한 역할에 대한 인식이 점차 높아지고 있습니다. 수많은 연구에서 종양 침윤 면역 세포가 세포독성 화학요법에 대한 반응에 중요한 역할을 한다는 사실이 확인되었습니다[21, 22, 23]. 종양 면역 미세환경은 종양 환자의 생존에 중요한 요소입니다[24, 25]. 면역요법, 특히 ICI 요법은 고형암 치료에 널리 사용되고 있습니다[26]. 면역 관련 유전자는 예후 위험 모델 구축에 널리 활용되고 있습니다. 예를 들어, Su 등은 단백질 코딩 유전자를 기반으로 난소암 환자의 예후를 예측하는 면역 관련 예후 위험 모델을 개발했습니다[27]. lncRNA와 같은 비코딩 유전자 또한 예후 위험 모델 구축에 적합합니다[28, 29, 30]. Luo et al.은 4개의 면역 관련 lncRNA를 테스트하고 자궁경부암 위험에 대한 예측 모델을 구축했습니다[31]. Khan et al.은 총 32개의 차등 발현 전사체를 식별했으며, 이를 기반으로 5개의 유의미한 전사체를 포함하는 예측 모델을 구축하여 신장 이식 후 생검으로 확인된 급성 거부 반응을 예측하는 데 매우 권장되는 도구로 제안했습니다[32].
대부분의 모델은 단백질 코딩 유전자 또는 비코딩 유전자의 유전자 발현 수준을 기반으로 합니다. 그러나 동일한 유전자라도 서로 다른 게놈, 데이터 형식 및 환자에 따라 발현 값이 다를 수 있어 예측 모델의 추정치가 불안정해집니다. 본 연구에서는 정확한 발현 값에 관계없이 두 쌍의 lncRNA를 사용하여 합리적인 모델을 구축했습니다.
본 연구에서는 면역 관련 유전자와의 상관 분석을 통해 irlncRNA를 최초로 동정하였다. 차등 발현 lncRNA와의 혼성화를 통해 223개의 차등 발현 irlncRNA를 선별하였다. 둘째, 기존에 발표된 차등 발현 irlncRNA 쌍 매칭 방법[31]을 기반으로 0-or-1 행렬을 구축하였다. 이후 단변량 및 라쏘 회귀 분석을 수행하여 예후 관련 차등 발현 irlncRNA 쌍을 식별하고 예측 위험 모델을 구축하였다. 또한, 말초동맥질환(PAAD) 환자에서 위험 점수와 임상적 특성 간의 연관성을 분석하였다. 본 연구에서 개발한 예후 위험 모델은 PAAD 환자의 독립적인 예후 인자로서 고등급 환자와 저등급 환자를 효과적으로 구분할 수 있음을 확인하였다. 또한, 예후 위험 모델의 ROC 곡선 AUC 값은 1년 예측에서 0.905, 2년 예측에서 0.942, 3년 예측에서 0.966이었다.
연구자들은 CD8+ T 세포 침윤도가 높은 환자들이 ICI 치료에 더 민감하다고 보고했습니다[33]. 종양 면역 미세환경에서 세포독성 세포, CD56 NK 세포, NK 세포 및 CD8+ T 세포의 함량 증가는 종양 억제 효과의 한 가지 이유일 수 있습니다[34]. 이전 연구에서는 종양 침윤 CD4(+) T 세포와 CD8(+) T 세포의 수치가 높을수록 생존 기간이 유의하게 길어지는 것으로 나타났습니다[35]. CD8+ T 세포 침윤도가 낮고, 신항원 부하가 적으며, 면역 억제 효과가 높은 종양 미세환경은 ICI 치료에 대한 반응 부족으로 이어집니다[36]. 본 연구에서는 위험 점수가 CD8+ T 세포 및 NK 세포와 음의 상관관계를 보였으며, 이는 위험 점수가 높은 환자는 ICI 치료에 적합하지 않고 예후가 더 나쁠 수 있음을 시사합니다.
CD161은 자연 살해(NK) 세포의 마커입니다. CD8+CD161+ CAR-transduced T 세포는 HER2+ 췌장관 선암 이종이식 모델에서 향상된 생체 내 항종양 효능을 매개합니다[37]. 면역 체크포인트 억제제는 세포독성 T 림프구 관련 단백질 4(CTLA-4) 및 프로그램된 세포 사멸 단백질 1(PD-1)/프로그램된 세포 사멸 리간드 1(PD-L1) 경로를 표적으로 하며 여러 분야에서 큰 잠재력을 가지고 있습니다. CTLA-4 및 CD161(KLRB1)의 발현은 고위험군에서 낮으며, 이는 고위험 점수를 가진 환자가 ICI 치료 대상이 아닐 수 있음을 시사합니다[38].
고위험 환자에게 적합한 치료 옵션을 찾기 위해 다양한 항암제를 분석한 결과, 췌장관선암 환자에게 널리 사용되는 파클리탁셀, 소라페닙, 엘로티닙이 고위험 췌장관선암 환자에게 적합할 수 있음을 발견했습니다. [33]. Zhang 등은 DNA 손상 반응(DDR) 경로의 돌연변이가 전립선암 환자의 예후 불량으로 이어질 수 있음을 발견했습니다. [39] 췌장암 올라파립 지속 연구(POLO)에서는 췌관선암 및 생식세포 BRCA1/2 돌연변이가 있는 환자에서 1차 백금 기반 화학요법 후 올라파립 유지 치료가 위약 대비 무진행 생존 기간을 연장시키는 것으로 나타났습니다. [40] 이는 이러한 환자 하위군에서 치료 결과가 크게 개선될 것이라는 상당한 희망을 제시합니다. 본 연구에서 AZD.2281(올라파립)의 IC50 값은 고위험군에서 더 높게 나타났으며, 이는 고위험군에 속하는 전립선암 환자들이 AZD.2281 치료에 내성을 보일 수 있음을 시사한다.
본 연구의 예측 모델은 우수한 예측 결과를 보여주지만, 이는 분석적 예측에 기반한 것입니다. 이러한 결과를 임상 데이터로 검증하는 것은 중요한 문제입니다. 내시경 초음파 유도 세침 흡인술(EUS-FNA)은 85%의 민감도와 98%의 특이도를 보이는 췌장 외 고형 병변 진단에 필수적인 방법이 되었습니다[41]. 내시경 초음파 유도 세침 생검(EUS-FNB) 바늘의 등장은 주로 FNA에 비해 진단 정확도가 높고, 조직학적 구조를 보존하는 검체를 얻을 수 있으며, 특정 진단에 중요한 면역조직화학 염색을 통해 조직을 생성할 수 있다는 장점에 기반합니다[42]. 문헌에 대한 체계적인 검토 결과, FNB 바늘(특히 22G)이 췌장 종괴에서 조직을 채취하는 데 가장 높은 효율을 보이는 것으로 확인되었습니다[43]. 임상적으로 근치적 수술을 받을 수 있는 환자는 소수에 불과하며, 대부분의 환자는 초기 진단 시 수술이 불가능한 종양을 가지고 있습니다. 임상 현장에서는 대부분의 환자가 초기 진단 시 수술 불가능한 종양을 가지고 있기 때문에 근치적 수술에 적합한 환자는 소수에 불과합니다. EUS-FNB 및 기타 방법을 통한 병리학적 확진 후에는 일반적으로 항암화학요법과 같은 표준적인 비수술적 치료를 선택합니다. 본 연구의 후속 연구에서는 후향적 분석을 통해 수술군과 비수술군에서 본 연구의 예후 예측 모델을 검증하고자 합니다.
종합적으로, 본 연구는 쌍을 이루는 irlncRNA를 기반으로 하는 새로운 예후 위험 모델을 구축했으며, 이는 췌장암 환자에서 유망한 예후 예측 가치를 보여주었습니다. 본 예후 위험 모델은 약물 치료에 적합한 췌장선암 환자를 구분하는 데 도움이 될 수 있습니다.
본 연구에서 사용 및 분석된 데이터 세트는 합리적인 요청이 있을 경우 해당 저자에게서 제공받을 수 있습니다.
Sui Wen, Gong X, Zhuang Y. COVID-19 팬데믹 기간 동안 부정적 감정의 감정 조절에서 자기효능감의 매개 역할: 횡단 연구. Int J Ment Health Nurs [저널 논문]. 2021 06/01/2021;30(3):759–71.
Sui Wen, Gong X, Qiao X, Zhang L, Cheng J, Dong J, et al. 중환자실에서의 대안적 의사결정에 대한 가족 구성원의 견해: 체계적 문헌고찰. INT J NURS STUD [잡지 논문; 리뷰]. 2023년 1월 1일;137:104391.
Vincent A, Herman J, Schulich R, Hruban RH, Goggins M. 췌장암. Lancet. [저널 논문; 연구 지원, NIH, 외부; 연구 지원, 미국 외 정부; 리뷰]. 2011년 8월 13일;378(9791):607–20.
Ilic M, Ilic I. 췌장암의 역학. 세계 소화기학 저널. [저널 논문, 리뷰]. 2016년 11월 28일;22(44):9694–705.
Liu X, Chen B, Chen J, Sun S. 췌장암 환자의 전체 생존을 예측하기 위한 새로운 tp53 관련 노모그램. BMC Cancer [저널 논문]. 2021 31-03-2021;21(1):335.
Xian X, Zhu X, Chen Y, Huang B, Xiang W. 화학요법을 받는 대장암 환자의 암 관련 피로에 대한 해결 중심 치료의 효과: 무작위 대조 시험. 암 간호사. [학술 논문; 무작위 대조 시험; 이 연구는 미국 외 정부의 지원을 받았습니다]. 2022년 5월 1일;45(3):E663–73.
Zhang Cheng, Zheng Wen, Lu Y, Shan L, Xu Dong, Pan Y, et al. 수술 전 CEA 수치가 정상인 환자의 대장암 절제 후 수술 후 암배아항원(CEA) 수치는 결과를 예측합니다. 번역 암 연구 센터. [학술 논문]. 2020년 1월 1일;9(1):111–8.
Hong Wen, Liang Li, Gu Yu, Qi Zi, Qiu Hua, Yang X, et al. 면역 관련 lncRNA는 새로운 특징을 생성하고 인간 간세포암의 면역 환경을 예측합니다. Mol Ther Nucleic acids [학술 논문]. 2020년 12월 4일;22:937 – 47.
Toffey RJ, Zhu Y., Schulich RD 췌장암에 대한 면역요법: 장벽과 돌파구. Ann Gastrointestinal Surgeon [저널 논문; 리뷰]. 2018년 7월 1일;2(4):274–81.
Hull R, Mbita Z, Dlamini Z. 긴 비코딩 RNA(LncRNA), 바이러스 종양 유전체학 및 비정상적인 스플라이싱 이벤트: 치료적 의미. AM J CANCER RES [저널 논문; 리뷰]. 2021 01/20/2021;11(3):866–83.
Wang J, Chen P, Zhang Y, Ding J, Yang Y, Li H. 11-자궁내막암 예후와 관련된 lncRNA 시그니처 식별. 과학 성과 [잡지 기사]. 2021 2021-01-01;104(1):311977089.
Jiang S, Ren H, Liu S, Lu Z, Xu A, Qin S, et al. 유두상 신세포암에서 RNA 결합 단백질 예후 유전자 및 약물 후보에 대한 종합 분석. pregen. [학술 논문]. 2021년 1월 20일;12:627508.
Li X, Chen J, Yu Q, Huang X, Liu Z, Wang X, et al. 자가포식 관련 장쇄 비코딩 RNA의 특성은 유방암 예후를 예측한다. pregen. [학술 논문]. 2021년 1월 20일;12:569318.
Zhou M, Zhang Z, Zhao X, Bao S, Cheng L, Sun J. 면역 관련 6개 lncRNA 시그니처는 교모세포종의 예후를 개선합니다. MOL 신경생물학. [학술 논문]. 2018년 5월 1일;55(5):3684–97.
Wu B, Wang Q, Fei J, Bao Y, Wang X, Song Z, et al. 새로운 tri-lncRNA 시그니처는 췌장암 환자의 생존을 예측합니다. ONKOL 대표. [학술 논문]. 2018년 12월 1일;40(6):3427–37.
Luo C, Lin K, Hu C, Zhu X, Zhu J, Zhu Z. LINC01094는 스펀지화된 miR-577을 통해 LIN28B 발현 및 PI3K/AKT 경로를 조절하여 췌장암 진행을 촉진합니다. 분자 치료학 – 핵산. 2021;26:523–35.
Lin J, Zhai X, Zou S, Xu Z, Zhang J, Jiang L, et al. lncRNA FLVCR1-AS1과 KLF10 사이의 긍정적 피드백은 PTEN/AKT 경로를 통해 췌장암 진행을 억제할 수 있습니다. J EXP Clin Cancer Res. 2021;40(1).
Zhou X, Liu X, Zeng X, Wu D, Liu L. 간세포암의 전체 생존율을 예측하는 13개 유전자 식별. Biosci Rep [학술 논문]. 2021년 4월 9일.
게시 시간: 2023년 9월 22일