ပန်ကရိယကင်ဆာသည် ကမ္ဘာပေါ်တွင် အသေအပျောက်အများဆုံး အကျိတ်များထဲမှ တစ်ခုဖြစ်ပြီး ခန့်မှန်းခြေ ညံ့ဖျင်းပါသည်။ထို့ကြောင့်၊ ကုသမှုကို အံဝင်ခွင်ကျဖြစ်စေရန်နှင့် ယင်းလူနာများ၏ ခန့်မှန်းခြေကို တိုးတက်ကောင်းမွန်လာစေရန် ပန်ကရိယကင်ဆာဖြစ်နိုင်ခြေမြင့်မားသော လူနာများကို ခွဲခြားသတ်မှတ်ရန် တိကျသောခန့်မှန်းပုံစံတစ်ခု လိုအပ်ပါသည်။
ကျွန်ုပ်တို့သည် UCSC Xena ဒေတာဘေ့စ်မှ The Cancer Genome Atlas (TCGA) ပန်ကရိယ adenocarcinoma (PAAD) RNAseq ဒေတာကို ရယူခဲ့ပြီး၊ ဆက်စပ်မှုခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် ကိုယ်ခံအားဆိုင်ရာ lncRNAs (irlncRNAs) နှင့် TCGA နှင့် ပုံမှန်ပန်ကရိယ adenocarcinoma တစ်ရှူးများအကြား ကွဲပြားမှုများကို ဖော်ထုတ်ခဲ့သည်။TCGA မှ DEirlncRNA) နှင့် ပန်ကရိယတစ်ရှူးများ၏ မျိုးရိုးဗီဇဖော်ပြချက် (GTEx)။ပရောဖက်ပြုခြင်းဆိုင်ရာ လက်မှတ်ပုံစံများကို တည်ဆောက်ရန်အတွက် နောက်ထပ် တစ်မူထူးခြားသော နှင့် lasso regression ခွဲခြမ်းစိတ်ဖြာမှုများကို ပြုလုပ်ခဲ့ပါသည်။ထို့နောက် ကျွန်ုပ်တို့သည် မျဉ်းကွေးအောက်ရှိ ဧရိယာကို တွက်ချက်ပြီး မြင့်မားသောနှင့် အန္တရာယ်နည်းပါးသော ပန်ကရိယ adenocarcinoma လူနာများကို ခွဲခြားသတ်မှတ်ရန်အတွက် အကောင်းဆုံးဖြတ်တောက်မှုတန်ဖိုးကို ဆုံးဖြတ်ခဲ့သည်။ဆေးခန်းလက္ခဏာများ၊ ခုခံအားဆဲလ်များ စိမ့်ဝင်မှု၊ ခုခံအားကျဆင်းစေသော သေးငယ်သောပတ်ဝန်းကျင်နှင့် ဓာတုကုထုံးခံနိုင်ရည်တို့ကို နှိုင်းယှဉ်ရန် ပန်ကရိယကင်ဆာ ဖြစ်နိုင်ခြေနည်းသော လူနာများတွင် နှိုင်းယှဉ်ရန်။
ကျွန်ုပ်တို့သည် DEirlncRNA အတွဲ 20 ကို တွေ့ရှိခဲ့ပြီး အကောင်းဆုံးဖြတ်တောက်မှုတန်ဖိုးအရ လူနာများကို အုပ်စုဖွဲ့ခဲ့သည်။ကျွန်ုပ်တို့၏ ပရိုဂရမ်ဆိုင်ရာ လက်မှတ်ပုံစံသည် PAAD ဝေဒနာရှင်များ၏ ကြိုတင်ခန့်မှန်းခြင်းအတွက် သိသာထင်ရှားသော စွမ်းဆောင်ရည်ရှိကြောင်း ကျွန်ုပ်တို့ သရုပ်ပြခဲ့သည်။ROC မျဉ်းကွေး၏ AUC သည် 1 နှစ်ခန့်မှန်းချက်အတွက် 0.905 ၊ 2 နှစ်ခန့်မှန်းချက်အတွက် 0.942 နှင့် 3 နှစ်ခန့်မှန်းချက်အတွက် 0.966 ဖြစ်သည်။အန္တရာယ်များသောလူနာများတွင် အသက်ရှင်နှုန်းနည်းပြီး ဆေးခန်းလက္ခဏာများ ပိုဆိုးသည်။ဖြစ်နိုင်ခြေမြင့်မားသောလူနာများသည် ခုခံအားကျဆင်းစေပြီး ခုခံအားကုထုံးကို ခံနိုင်ရည်ရှိလာနိုင်ကြောင်းကိုလည်း ကျွန်ုပ်တို့ သရုပ်ပြခဲ့သည်။တွက်ချက်မှုဆိုင်ရာ ခန့်မှန်းခြင်းကိရိယာများကို အခြေခံ၍ paclitaxel၊ sorafenib နှင့် erlotinib ကဲ့သို့သော ကင်ဆာရောဂါတိုက်ဖျက်ရေးဆေးဝါးများကို အကဲဖြတ်ခြင်းသည် PAAD နှင့်အတူ ဖြစ်နိုင်ချေမြင့်မားသော လူနာများအတွက် သင့်လျော်ပေမည်။
ယေဘုယျအားဖြင့်၊ ကျွန်ုပ်တို့၏လေ့လာမှုသည် ပန်ကရိယကင်ဆာဝေဒနာရှင်များတွင် အလားအလာရှိသော ပကတိတန်ဖိုးကိုပြသသည့် တွဲဖက် irlncRNA ကိုအခြေခံ၍ ပရိုဂရမ်ဆိုင်ရာအန္တရာယ်ပုံစံအသစ်ကို ဖန်တီးခဲ့သည်။ကျွန်ုပ်တို့၏ ပရိုဂရမ်ဆိုင်ရာ အန္တရာယ်ပုံစံသည် ဆေးကုသမှုအတွက် သင့်လျော်သော PAAD လူနာများကို ကွဲပြားအောင် ကူညီပေးနိုင်ပါသည်။
ပန်ကရိယကင်ဆာသည် ငါးနှစ်ရှင်သန်နှုန်းနည်းပါးပြီး အဆင့်မြင့်မားသော ကင်ဆာအကျိတ်ဖြစ်သည်။ရောဂါရှာဖွေသည့်အချိန်တွင် လူနာအများစုသည် အဆင့်မြင့်သောအဆင့်သို့ ရောက်ရှိနေပြီဖြစ်သည်။COVID-19 ကပ်ရောဂါအခြေအနေတွင် ပန်ကရိယကင်ဆာဝေဒနာရှင်များကို ကုသရာတွင် ဆရာဝန်များနှင့် သူနာပြုများသည် ကြီးမားသောဖိအားများအောက်တွင် ရှိနေကြပြီး လူနာများ၏ မိသားစုများသည် ကုသမှုဆုံးဖြတ်ချက်များချရာတွင် ဖိအားများစွာကို ရင်ဆိုင်နေကြရသည် [1၊ 2]။Neoadjuvant ကုထုံး၊ ခွဲစိတ်ကုသခြင်း၊ ဓာတ်ရောင်ခြည်ကုထုံး၊ ဓာတုကုထုံး၊ ပစ်မှတ်ထားသော မော်လီကျူးကုထုံးနှင့် ခုခံအားစစ်ဆေးရေးဂိတ်တားဆေးများ (ICIs) ကဲ့သို့သော လူနာများ၏ 9% ခန့်သာ ရောဂါရှာဖွေတွေ့ရှိပြီးနောက် ငါးနှစ်အတွင်း အသက်ရှင်ကျန်ရစ်သည် [3] ]]၊ ၄]။ပန်ကရိယ adenocarcinoma ၏ အစောပိုင်းလက္ခဏာများသည် ပုံမှန်မဟုတ်သောကြောင့်၊ လူနာများကို အဆင့် (5) တွင် metastases ဖြင့် စစ်ဆေးတွေ့ရှိတတ်သည်။ထို့ကြောင့် ပေးထားသောလူနာအတွက်၊ တစ်ဦးချင်း ပြည့်စုံသော ကုသမှုသည် အသက်ရှည်စေရန်သာမက ဘဝအရည်အသွေးကို မြှင့်တင်ရန်အတွက် ကုသမှုရွေးချယ်မှုအားလုံး၏ အားသာချက်များနှင့် အားနည်းချက်များကို ချိန်ဆရပါမည်။ထို့ကြောင့် လူနာတစ်ဦး၏ ရောဂါခန့်မှန်းချက်ကို တိကျစွာ အကဲဖြတ်ရန် ထိရောက်သော ခန့်မှန်းမှုပုံစံတစ်ခု လိုအပ်ပါသည်။ထို့ကြောင့် PAAD လူနာများ၏ ရှင်သန်မှုနှင့် ဘဝအရည်အသွေးကို ဟန်ချက်ညီစေရန် သင့်လျော်သောကုသမှုကို ရွေးချယ်နိုင်သည်။
PAAD ၏ ညံ့ဖျင်းသောခန့်မှန်းချက်မှာ အဓိကအားဖြင့် ဓာတုကုထုံးဆေးဝါးများကို ခံနိုင်ရည်ရှိခြင်းကြောင့်ဖြစ်သည်။မကြာသေးမီနှစ်များတွင်၊ ခုခံအားစစ်ဆေးရေးဂိတ်တားဆေးများကို အစိုင်အခဲအကျိတ်များကုသရာတွင် တွင်ကျယ်စွာအသုံးပြုခဲ့သည်။သို့သော်လည်း ပန်ကရိယကင်ဆာတွင် ICIs ကိုအသုံးပြုခြင်းသည် အောင်မြင်ခဲပါသည်။ထို့ကြောင့် ICI ကုထုံးမှ အကျိုးရှိမည့် လူနာများကို ခွဲခြားသတ်မှတ်ရန် အရေးကြီးပါသည်။
Long-coding မဟုတ်သော RNA (lncRNA) သည် ကုဒ်မဟုတ်သော RNA အမျိုးအစားတစ်ခုဖြစ်ပြီး စာသားမှတ်တမ်းများ >200 nucleotides။LncRNAs များသည် ကျယ်ကျယ်ပြန့်ပြန့်ဖြစ်ပြီး လူသားမှတ်တမ်းမှတ်ရာများ [10] ၏ 80% ခန့်ပါဝင်သည်။LncRNA-based prognostic မော်ဒယ်များသည် လူနာများ၏ ကြိုတင်ခန့်မှန်းချက်ကို ထိထိရောက်ရောက် ခန့်မှန်းနိုင်သည်ဟု ကြီးမားသောအလုပ်က ပြသထားသည်။ဥပမာအားဖြင့်၊ ရင်သားကင်ဆာတွင် ကြိုတင်ခန့်မှန်းနိုင်သော လက္ခဏာများထုတ်ပေးရန် autophagy-related lncRNAs 18 ခုကို ဖော်ထုတ်ခဲ့သည်။glioma [14] ၏ ကြိုတင်ခန့်မှန်းနိုင်သော အင်္ဂါရပ်များကို ဖော်ထုတ်ရန်အတွက် အခြားသော ကိုယ်ခံအားဆိုင်ရာ lncRNAs ခြောက်ခုကို အသုံးပြုထားသည်။
ပန်ကရိယကင်ဆာတွင်၊ အချို့သောလေ့လာမှုများသည် လူနာ၏ရောဂါဖြစ်နိုင်ချေကို ခန့်မှန်းရန် lncRNA-based signatures များကို ဖန်တီးထားသည်။3-lncRNA လက်မှတ်ကို ROC မျဉ်းကွေး (AUC) အောက်တွင် ဧရိယာ 0.742 သာရှိသော ပန်ကရိယ adenocarcinoma တွင် တည်ရှိပြီး အလုံးစုံ ရှင်သန်မှု (OS) 3 နှစ် [15]။ထို့အပြင်၊ lncRNA ထုတ်ဖော်ပြောဆိုမှုတန်ဖိုးများသည် မတူညီသော ဂျီနိုမ်များ၊ မတူညီသောဒေတာဖော်မတ်များနှင့် မတူညီသောလူနာများကြားတွင် ကွဲပြားကြပြီး ကြိုတင်ခန့်မှန်းမှုပုံစံ၏ စွမ်းဆောင်ရည်မှာ မတည်မငြိမ်ဖြစ်နေသည်။ထို့ကြောင့်၊ ကျွန်ုပ်တို့သည် ပိုမိုတိကျပြီး တည်ငြိမ်သော ခန့်မှန်းမှုပုံစံ [8] ကိုဖန်တီးရန် ကိုယ်ခံစွမ်းအားဆိုင်ရာ lncRNA (irlncRNA) လက်မှတ်များကို ထုတ်လုပ်ရန်အတွက် ဆန်းသစ်သော မော်ဒယ်လ် အယ်လဂိုရီသမ်၊ တွဲချိတ်ခြင်းနှင့် ထပ်ကာထပ်ကာကို အသုံးပြုပါသည်။
ပုံမှန်လုပ်ထားသော RNAseq ဒေတာ (FPKM) နှင့် ဆေးခန်းသုံးပန်ကရိယကင်ဆာ TCGA နှင့် မျိုးရိုးလိုက်တစ်ရှူးဖော်ပြချက် (GTEx) ဒေတာကို UCSC XENA ဒေတာဘေ့စ် ( https://xenabrowser.net/datapages/ ) မှ ရယူခဲ့သည်။GTF ဖိုင်များကို Ensembl ဒေတာဘေ့စ် ( http://asia.ensembl.org ) မှ ရယူခဲ့ပြီး RNAseq မှ lncRNA ဖော်ပြချက် ပရိုဖိုင်များကို ထုတ်ယူရန် အသုံးပြုခဲ့သည်။ကျွန်ုပ်တို့သည် ImmPort ဒေတာဘေ့စ် (http://www.immport.org) မှ ကိုယ်ခံစွမ်းအားဆိုင်ရာ ဗီဇများကို ဒေါင်းလုဒ်လုပ်ပြီး ဆက်စပ်မှုဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှု (p < 0.001, r > 0.4) ကို အသုံးပြု၍ ကိုယ်ခံစွမ်းအားဆိုင်ရာ ဆက်စပ်နေသော lncRNAs (irlncRNAs) ကို ဖော်ထုတ်ခဲ့သည်။TCGA-PAAD အစုအဝေး (|logFC| > 1 နှင့် FDR) ရှိ TCGA-PAAD အစုအဝေး (|logFC| > 1 နှင့် FDR) မှရရှိသော irlncRNA များကိုဖြတ်ကျော်ကာ ကွဲပြားစွာဖော်ပြသော irlncRNAs (DEirlncRNAs) ၏ကွဲပြားစွာဖော်ပြသော irlncRNAs (DEirlncRNAs) ကို ခွဲခြားသတ်မှတ်ခြင်း ) <0.05)။
ဤနည်းလမ်းကို ယခင်က [8] အစီရင်ခံခဲ့သည်။အတိအကျအားဖြင့်၊ ကျွန်ုပ်တို့သည် တွဲထားသည့် lncRNA A နှင့် lncRNA B တို့ကို အစားထိုးရန်အတွက် X ကို တည်ဆောက်ပါသည်။ lncRNA A ၏ စကားရပ်တန်ဖိုးသည် lncRNA B ၏ စကားရပ်တန်ဖိုးထက် မြင့်မားသောအခါ၊ X ကို 1 အဖြစ် သတ်မှတ်သည်၊ မဟုတ်ပါက X ကို 0 ဟု သတ်မှတ်ပါသည်။ ထို့ကြောင့် ကျွန်ုပ်တို့ ရယူနိုင်ပါသည်။ matrix ၏ 0 သို့မဟုတ် – 1။ matrix ၏ ဒေါင်လိုက်ဝင်ရိုးသည် နမူနာတစ်ခုစီကို ကိုယ်စားပြုပြီး အလျားလိုက်ဝင်ရိုးသည် 0 သို့မဟုတ် 1 တန်ဖိုးရှိသော DEirlncRNA အတွဲတစ်ခုစီကို ကိုယ်စားပြုသည်။
Lasso ဆုတ်ယုတ်မှုနောက်တွင် မတူကွဲပြားသော ဆုတ်ယုတ်မှု ခွဲခြမ်းစိတ်ဖြာမှုကို DEirlncRNA အတွဲများကို စစ်ဆေးရန် အသုံးပြုခဲ့သည်။lasso regression ခွဲခြမ်းစိတ်ဖြာမှုတွင် 10-fold cross-validation ကို အကြိမ် 1000 (p < 0.05) ဖြင့် ထပ်ခါတလဲလဲ လုပ်ဆောင်ပြီး 1000 random stimuli ဖြင့် အသုံးပြုပါသည်။DEirlncRNA အတွဲတစ်ခုစီ၏ ကြိမ်နှုန်းသည် 1000 လည်ပတ်မှုတွင် အကြိမ် 100 ကျော်လွန်သောအခါ၊ DEirlncRNA အတွဲများကို ကြိုတင်ခန့်မှန်းနိုင်သော အန္တရာယ်ပုံစံတစ်ခုကို တည်ဆောက်ရန် ရွေးချယ်ခဲ့သည်။ထို့နောက် ကျွန်ုပ်တို့သည် PAAD လူနာများအား အန္တရာယ်များသော အုပ်စုများအဖြစ် ခွဲခြားသတ်မှတ်ခြင်းအတွက် အကောင်းဆုံးဖြတ်တောက်မှုတန်ဖိုးကို ရှာဖွေရန် AUC မျဉ်းကွေးကို အသုံးပြုခဲ့သည်။မော်ဒယ်တစ်ခုစီ၏ AUC တန်ဖိုးကိုလည်း မျဉ်းကွေးအဖြစ် တွက်ချက်ပြီး ပုံဖော်ထားသည်။မျဉ်းကွေးသည် အမြင့်ဆုံး AUC တန်ဖိုးကို ညွှန်ပြသော အမြင့်ဆုံးအမှတ်သို့ ရောက်ရှိပါက တွက်ချက်မှုလုပ်ငန်းစဉ် ရပ်သွားပြီး မော်ဒယ်ကို အကောင်းဆုံး ကိုယ်စားလှယ်အဖြစ် သတ်မှတ်သည်။1-၊ 3- နှင့် 5 နှစ် ROC မျဉ်းကွေး မော်ဒယ်များကို တည်ဆောက်ခဲ့သည်။တစ်မူကွဲကွဲပြားပြားနှင့် အမျိုးမျိုးကွဲပြားသော ဆုတ်ယုတ်မှုခွဲခြမ်းစိတ်ဖြာမှုများကို ပရိုဂရမ်ရေးဆိုင်ရာအန္တရာယ်ပုံစံ၏ လွတ်လပ်သောကြိုတင်ခန့်မှန်းစွမ်းဆောင်ရည်ကို စစ်ဆေးရန်အတွက် အသုံးပြုခဲ့သည်။
XCELL၊ TIMER၊ QUANTISEQ၊ MCPCOUNTER၊ EPIC၊ CIBERSORT-ABS နှင့် CIBERSORT အပါအဝင် ကိုယ်ခံအားဆဲလ်များ စိမ့်ဝင်မှုနှုန်းများကို လေ့လာရန် ကိရိယာခုနစ်ခုကို အသုံးပြုပါ။ခုခံအားဆဲလ်ဝင်ရောက်မှုဒေတာကို TIMER2 ဒေတာဘေ့စ် (http://timer.comp-genomics.org/#tab-5817-3) မှ ဒေါင်းလုဒ်လုပ်ခဲ့သည်။တည်ဆောက်ထားသော မော်ဒယ်၏ ခုခံအား စိမ့်ဝင်မှု ဆဲလ်များ ၏ ပါဝင်မှု ကွာခြားချက်ကို Wilcoxon signed-rank test ဖြင့် ခွဲခြမ်းစိတ်ဖြာပြီး ရလဒ်များကို စတုရန်းဂရပ်တွင် ပြထားသည်။အန္တရာယ်ရမှတ်တန်ဖိုးများနှင့် ကိုယ်ခံအား စိမ့်ဝင်သည့်ဆဲလ်များကြား ဆက်နွယ်မှုကို ခွဲခြမ်းစိတ်ဖြာရန် Spearman ဆက်စပ်ခွဲခြမ်းစိတ်ဖြာမှုကို ပြုလုပ်ခဲ့သည်။ရလာတဲ့ ဆက်စပ်ကိန်းကို lollipop အဖြစ် ပြပါတယ်။အဓိပ္ပာယ်သတ်မှတ်ချက်ကို p < 0.05 တွင် သတ်မှတ်ထားသည်။လုပ်ထုံးလုပ်နည်းကို R package ggplot2 ကို အသုံးပြု၍ လုပ်ဆောင်ခဲ့သည်။မော်ဒယ်နှင့် မျိုးရိုးဗီဇဖော်ပြမှုအဆင့်များအကြား ဆက်စပ်မှုကို စစ်ဆေးရန်အတွက်၊ ကျွန်ုပ်တို့သည် ggstatsplot အထုပ်နှင့် တယောဇာတ်ကွက်ကို ပုံဖော်ခြင်းတို့ကို လုပ်ဆောင်ခဲ့ပါသည်။
ပန်ကရိယကင်ဆာအတွက် လက်တွေ့ကုသမှုပုံစံများကို အကဲဖြတ်ရန်အတွက် TCGA-PAAD အုပ်စုတွင် အသုံးများသော ဓာတုကုထုံးဆေးဝါးများ၏ IC50 ကို တွက်ချက်ထားပါသည်။Wilcoxon signed-ranked-rank test ကိုအသုံးပြု၍ မြင့်မားသောနှင့် အန္တရာယ်နည်းသောအုပ်စုများအကြား ထက်ဝက်တားဆီးမှုပါဝင်မှု (IC50) တွင် ကွာခြားချက်များကို Wilcoxon signed-ranked test ဖြင့် နှိုင်းယှဉ်ခဲ့ပြီး ရလဒ်များကို R in pRRophetic နှင့် ggplot2 ကိုအသုံးပြု၍ ထုတ်လုပ်ထားသော boxplots များအဖြစ် ပြထားသည်။ နည်းလမ်းအားလုံးသည် သက်ဆိုင်ရာ လမ်းညွှန်ချက်များနှင့် စံနှုန်းများနှင့်ကိုက်ညီပါသည်။
ကျွန်ုပ်တို့၏လေ့လာမှု၏လုပ်ငန်းအသွားအလာကို ပုံ 1 တွင်ပြသထားသည်။ lncRNAs နှင့် ကိုယ်ခံစွမ်းအားဆိုင်ရာဗီဇများကြား ဆက်စပ်ခွဲခြမ်းစိတ်ဖြာမှုကိုအသုံးပြု၍ p < 0.01 နှင့် r > 0.4 ရှိသော 724 irlncRNAs များကို ကျွန်ုပ်တို့ရွေးချယ်ခဲ့သည်။ကျွန်ုပ်တို့သည် GEPIA2 (ပုံ 2A) ၏ ကွဲပြားစွာဖော်ပြသော lncRNA များကို နောက်တွင် ပိုင်းခြားစိတ်ဖြာထားသည်။စုစုပေါင်း 223 irlncRNAs များကို DEirlncRNAs ဟုခေါ်သော ပန်ကရိယ adenocarcinoma နှင့် ပုံမှန်ပန်ကရိယတစ်ရှူးများကြားတွင် ကွဲပြားစွာဖော်ပြခဲ့သည်။
ကြိုတင်ခန့်မှန်းနိုင်သော အန္တရာယ်ပုံစံများ တည်ဆောက်ခြင်း။(က) ကွဲပြားစွာဖော်ပြသော lncRNAs များ၏ မီးတောင်ကွက်။(ခ) DEirlncRNA အတွဲ 20 အတွက် lasso coefficients ဖြန့်ဝေခြင်း။(ဂ) LASSO coefficient ဖြန့်ဖြူးမှု၏ တစ်စိတ်တစ်ပိုင်းဖြစ်နိုင်ခြေကွဲလွဲမှု။(ဃ) DEirlncRNA အတွဲ 20 ၏ တစ်မူထူးခြားသော ဆုတ်ယုတ်မှု ခွဲခြမ်းစိတ်ဖြာမှုကို ပြသသော သစ်တောကြံစည်မှု။
ကျွန်ုပ်တို့သည် DEirlncRNA 223 ခုကို တွဲခြင်းဖြင့် 0 သို့မဟုတ် 1 matrix ကို တည်ဆောက်ခဲ့သည်။စုစုပေါင်း 13,687 DEirlncRNA အတွဲများကို ဖော်ထုတ်ခဲ့သည်။univariate နှင့် lasso regression ခွဲခြမ်းစိတ်ဖြာပြီးနောက်၊ နောက်ဆုံးတွင် DEirlncRNA အတွဲ 20 ကို ပရိုဂရမ်ရေးဆိုင်ရာ အန္တရာယ်ပုံစံ (ပုံ 2B-D) တည်ဆောက်ရန် စမ်းသပ်ခဲ့သည်။Lasso ၏ရလဒ်များနှင့် များစွာသောဆုတ်ယုတ်မှုခွဲခြမ်းစိတ်ဖြာမှုအပေါ် အခြေခံ၍ TCGA-PAAD အုပ်စု (ဇယား 1) ရှိ လူနာတစ်ဦးစီအတွက် အန္တရာယ်ရမှတ်ကို တွက်ချက်ထားပါသည်။lasso ဆုတ်ယုတ်မှု ခွဲခြမ်းစိတ်ဖြာမှု၏ ရလဒ်များအပေါ် အခြေခံ၍ TCGA-PAAD အစုအဝေးရှိ လူနာတစ်ဦးစီအတွက် အန္တရာယ်ရမှတ်ကို တွက်ချက်ပါသည်။ROC မျဉ်းကွေး၏ AUC သည် 1 နှစ်အန္တရာယ်မော်ဒယ်ခန့်မှန်းမှုအတွက် 0.905၊ 2 နှစ်ခန့်မှန်းမှုအတွက် 0.942 နှင့် 3 နှစ်ခန့်မှန်းမှုအတွက် 0.966 (ပုံ 3A-B)။ကျွန်ုပ်တို့သည် အကောင်းဆုံးဖြတ်တောက်မှုတန်ဖိုး 3.105 ကို သတ်မှတ်ပြီး TCGA-PAAD အစုအဝေး လူနာများအား အန္တရာယ်များသော အုပ်စုများအဖြစ် ခွဲခြားသတ်မှတ်ကာ လူနာတစ်ဦးစီအတွက် ရှင်သန်မှုရလဒ်များနှင့် စွန့်စားရမှတ်များ ဖြန့်ဝေမှုများကို ကြံစည်ခဲ့သည် (ပုံ 3C-E)။Kaplan-Meier ခွဲခြမ်းစိတ်ဖြာမှုအရ အန္တရာယ်များသောအုပ်စုရှိ PAAD လူနာများ၏ အသက်ရှင်ရပ်တည်မှုသည် အန္တရာယ်နည်းသောအုပ်စု (p < 0.001) (ပုံ 3F) ရှိ လူနာများထက် သိသိသာသာ နည်းပါးကြောင်း ပြသခဲ့သည်။
ကြိုတင်ခန့်မှန်းနိုင်သော အန္တရာယ်ပုံစံများ၏ တရားဝင်မှု။(က) ROC ပရောဂျက်အန္တရာယ်ပုံစံ။(ခ) 1-၊ 2-၊ နှင့် 3-နှစ် ROC ပရောဂျက်အန္တရာယ် မော်ဒယ်များ။(ဂ) ရောဂါရှာဖွေရေးအန္တရာယ်ပုံစံ၏ ROC။အကောင်းဆုံး ဖြတ်တောက်မှု အမှတ်ကို ပြသည်။(DE) ရှင်သန်မှုအခြေအနေ (D) နှင့် အန္တရာယ်ရမှတ်များ (E) ဖြန့်ဝေခြင်း။(စ) Kaplan-Meier သည် PAAD လူနာများအား အန္တရာယ်များသော အုပ်စုများတွင် ခွဲခြမ်းစိတ်ဖြာခြင်း။
ဆေးခန်းလက္ခဏာများဖြင့် ကျွန်ုပ်တို့သည် အန္တရာယ်ရမှတ်များတွင် ကွာခြားချက်များကို ထပ်လောင်းအကဲဖြတ်ပါသည်။ချွတ်ကွက် (ပုံ 4A) သည် ဆေးခန်းလက္ခဏာများနှင့် အန္တရာယ်ရမှတ်များအကြား အလုံးစုံဆက်စပ်မှုကို ပြသသည်။အထူးသဖြင့်၊ သက်ကြီးလူနာများတွင် အန္တရာယ်ရမှတ်များ (ပုံ 4B) ပိုများသည်။ထို့အပြင် အဆင့် II ရှိသော လူနာများသည် အဆင့် I ရှိသော လူနာများ (ပုံ 4C) ထက် အန္တရာယ်ရမှတ်များ ပိုများသည်။PAAD လူနာများတွင် အကျိတ်အဆင့်နှင့်ပတ်သက်၍၊ အဆင့် 3 လူနာများတွင် အဆင့် 1 နှင့် 2 လူနာများထက် ဖြစ်နိုင်ခြေရမှတ်များ (ပုံ 4D) ပိုများသည်။ကျွန်ုပ်တို့သည် မတူကွဲပြားသောနှင့် အမျိုးမျိုးကွဲပြားသော ဆုတ်ယုတ်မှုဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုများကို ထပ်မံလုပ်ဆောင်ပြီး အန္တရာယ်ရမှတ် (p < 0.001) နှင့် အသက် (p = 0.045) သည် PAAD (ပုံ 5A-B) ရှိသော လူနာများတွင် သီးခြားရောဂါရှာဖွေရေးဆိုင်ရာအချက်များဖြစ်ကြောင်း သရုပ်ပြခဲ့သည်။ROC မျဉ်းကွေးသည် PAAD (ပုံ 5C-E) လူနာများ၏ 1-၊ 2- နှင့် 3 နှစ် အသက်ရှင်ကျန်မှုကို ခန့်မှန်းရာတွင် အခြားလက်တွေ့လက္ခဏာများထက် သာလွန်ကြောင်း သက်သေပြခဲ့သည်။
ကြိုတင်ခန့်မှန်းနိုင်သော အန္တရာယ်ပုံစံများ၏ လက်တွေ့လက္ခဏာများ။Histogram (A) သည် (B) အသက်၊ (C) အကျိတ်အဆင့်၊ (D) အကျိတ်အဆင့်၊ အန္တရာယ်ရမှတ်နှင့် TCGA-PAAD အစုအဝေးရှိ လူနာများ၏ လိင်အမျိုးအစားတို့ကို ပြသသည်။**p < 0.01
ကြိုတင်ခန့်မှန်းမှုဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ အန္တရာယ်ပုံစံများ။(AB) Univariate (A) နှင့် multivariate (B) ဆုတ်ယုတ်မှု ခွဲခြမ်းစိတ်ဖြာမှု ပရိုဂရမ်ဆိုင်ရာ အန္တရာယ်ပုံစံများနှင့် လက်တွေ့လက္ခဏာများ။(CE) 1-၊ 2-၊ နှင့် 3-နှစ် ROC သည် အန္တရာယ်ရှိနိုင်သော မော်ဒယ်များနှင့် လက်တွေ့လက္ခဏာများ
ထို့ကြောင့်၊ ကျွန်ုပ်တို့သည် အချိန်နှင့် အန္တရာယ်ရမှတ်များအကြား ဆက်စပ်မှုကို ဆန်းစစ်ခဲ့သည်။PAAD လူနာများတွင် အန္တရာယ်ရမှတ်သည် CD8+ T ဆဲလ်များနှင့် NK ဆဲလ်များ (ပုံ 6A) နှင့် ပြောင်းပြန်ဆက်နွယ်နေကြောင်း တွေ့ရှိရပါသည်။ အန္တရာယ်များသောအုပ်စုတွင် ဖိနှိပ်ထားသော ကိုယ်ခံအားလုပ်ဆောင်ချက်ကို ညွှန်ပြပါသည်။အန္တရာယ်များသော အုပ်စုများကြား ခုခံအားဆဲလ်များ စိမ့်ဝင်မှု ကွာခြားမှုကိုလည်း အကဲဖြတ်ပြီး တူညီသော ရလဒ်များ (ပုံ 7) ကို တွေ့ရှိခဲ့သည်။အန္တရာယ်များသောအုပ်စုတွင် CD8+ T ဆဲလ်များနှင့် NK ဆဲလ်များ စိမ့်ဝင်မှုနည်းသည်။မကြာသေးမီနှစ်များတွင်၊ ခုခံအားစစ်ဆေးရေးဂိတ်တားဆေးများ (ICIs) ကို အစိုင်အခဲအကျိတ်များကုသရာတွင် တွင်ကျယ်စွာအသုံးပြုခဲ့သည်။သို့သော်လည်း ပန်ကရိယကင်ဆာတွင် ICIs ကိုအသုံးပြုခြင်းမှာ အောင်မြင်ခဲပါသည်။ထို့ကြောင့်၊ ကျွန်ုပ်တို့သည် အန္တရာယ်များပြီး အန္တရာယ်နည်းသောအုပ်စုများတွင် ကိုယ်ခံအားစစ်ဆေးရေးဂိတ်မျိုးဗီဇများ၏ဖော်ပြမှုကို အကဲဖြတ်ခဲ့သည်။အန္တရာယ်နည်းသောအုပ်စု (ပုံ 6B-G) တွင် CTLA-4 နှင့် CD161 (KLRB1) တို့ကို အန္တရာယ်နည်းသောအုပ်စု (ပုံ 6B-G) တွင် လွန်ကဲစွာဖော်ပြသည်ကို ကျွန်ုပ်တို့တွေ့ရှိခဲ့သည်၊ အန္တရာယ်နည်းသောအုပ်စုရှိ PAAD လူနာများသည် ICI တွင် အာရုံခံစားနိုင်သည်ဟု ညွှန်ပြပါသည်။
ကြိုတင်ခန့်မှန်းနိုင်သော အန္တရာယ်ပုံစံနှင့် ကိုယ်ခံအားဆဲလ် စိမ့်ဝင်မှုဆိုင်ရာ ဆက်စပ်ခွဲခြမ်းစိတ်ဖြာခြင်း။(က) ကြိုတင်ခန့်မှန်းနိုင်သော အန္တရာယ်ပုံစံနှင့် ကိုယ်ခံအားဆဲလ် စိမ့်ဝင်မှုကြား ဆက်စပ်မှု။(BG) အန္တရာယ်မြင့်မားသောအုပ်စုများတွင် မျိုးဗီဇဖော်ပြမှုကို ညွှန်ပြသည်။(HK) IC50 သည် အန္တရာယ်များသော အုပ်စုများရှိ တိကျသော ကင်ဆာဆေးများ အတွက် တန်ဖိုးများ။*p < 0.05၊ **p < 0.01၊ ns = သိသိသာသာ မရှိပါ။
TCGA-PAAD အစုအဝေးရှိ အန္တရာယ်ရမှတ်များနှင့် ဘုံဓာတုကုထုံးအေးဂျင့်များကြား ဆက်စပ်မှုကို ကျွန်ုပ်တို့ ထပ်မံအကဲဖြတ်ပါသည်။ကျွန်ုပ်တို့သည် ပန်ကရိယကင်ဆာတွင် အသုံးများသော ကင်ဆာဆေးများကို ရှာဖွေခဲ့ပြီး အန္တရာယ်များသော အုပ်စုများကြား ၎င်းတို့၏ IC50 တန်ဖိုးများကို ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။ရလဒ်များက AZD.2281 (olaparib) ၏ IC50 တန်ဖိုးသည် အန္တရာယ်မြင့်မားသောအုပ်စုတွင် ပိုမိုမြင့်မားကြောင်းပြသခဲ့ပြီး အန္တရာယ်များသောအုပ်စုရှိ PAAD လူနာများသည် AZD.2281 ကုသမှုကို ခံနိုင်ရည်ရှိနိုင်သည် (ပုံ 6H) ကို ညွှန်ပြသည်။ထို့အပြင်၊ paclitaxel၊ sorafenib နှင့် erlotinib တို့၏ IC50 တန်ဖိုးများသည် အန္တရာယ်များသောအုပ်စု (ပုံ 6I-K) တွင် နိမ့်ပါသည်။ကျွန်ုပ်တို့သည် အန္တရာယ်များသောအုပ်စုတွင် IC50 တန်ဖိုးများ ပိုမိုမြင့်မားသော ကင်ဆာရောဂါတိုက်ဖျက်ရေးဆေး ၃၄ မျိုးကို ထပ်မံတွေ့ရှိခဲ့ပြီး အန္တရာယ်များသောအုပ်စုတွင် IC50 တန်ဖိုးများနိမ့်ကျသော ကင်ဆာဆေး ၃၄ မျိုးကို ထပ်မံဖော်ထုတ်ခဲ့သည်။
lncRNAs၊ mRNAs နှင့် miRNAs များ တွင်ကျယ်စွာတည်ရှိပြီး ကင်ဆာဖွံ့ဖြိုးတိုးတက်မှုတွင် အရေးပါသော အခန်းကဏ္ဍမှ ပါဝင်နေကြောင်း ငြင်းမရနိုင်ပါ။ကင်ဆာအမျိုးအစားများစွာတွင် အလုံးစုံရှင်သန်မှုကို ခန့်မှန်းရာတွင် mRNA သို့မဟုတ် miRNA ၏အရေးကြီးသောအခန်းကဏ္ဍကို ပံ့ပိုးပေးသည့် အထောက်အထားများစွာရှိသည်။သံသယဖြစ်စရာ၊ များစွာသော ပရိုဂရမ်ဆိုင်ရာ အန္တရာယ်ပုံစံများသည် lncRNAs များကို အခြေခံထားသည်။ဥပမာ Luo et al ။လေ့လာမှုများအရ LINC01094 သည် PC ပြန့်ပွားမှုနှင့် metastasis တွင် အဓိကအခန်းကဏ္ဍမှ ပါဝင်နေပြီး LINC01094 ၏မြင့်မားသောဖော်ပြမှုသည် ပန်ကရိယကင်ဆာလူနာများ၏ အသက်ရှင်ရပ်တည်မှု ညံ့ဖျင်းမှုကို ညွှန်ပြနေသည် [16]။Lin et al မှတင်ပြသောလေ့လာမှု။လေ့လာမှုများအရ lncRNA FLVCR1-AS1 ကို နှိမ့်ချခြင်းသည် ပန်ကရိယကင်ဆာလူနာများတွင် ရောဂါကြိုတင်ခန့်မှန်းမှု ညံ့ဖျင်းခြင်းနှင့် ဆက်စပ်နေကြောင်း လေ့လာမှုများက ဖော်ပြသည်။သို့သော်၊ ကင်ဆာလူနာများ၏ အလုံးစုံ အသက်ရှင်ကျန်နိုင်မှုကို ခန့်မှန်းရာတွင် ကိုယ်ခံစွမ်းအားဆိုင်ရာ lncRNAs သည် ဆွေးနွေးမှုနည်းပါးပါသည်။မကြာသေးမီက၊ ကင်ဆာဝေဒနာရှင်များ၏ ရှင်သန်မှုကို ခန့်မှန်းနိုင်စေရန် ကြိုတင်ခန့်မှန်းနိုင်သော အန္တရာယ်ပုံစံများကို တည်ဆောက်ကာ ကုသမှုနည်းလမ်းများကို ချိန်ညှိခြင်းဖြင့် များပြားလှသော အလုပ်များစွာကို အာရုံစိုက်ထားပါသည်။ကင်ဆာစတင်ခြင်း၊ တိုးတက်မှုနှင့် ဓာတုကုထုံးများကဲ့သို့သော ကုသမှုများကို တုံ့ပြန်မှုတွင် ခုခံအားစိမ့်ဝင်မှု၏ အရေးကြီးသောအခန်းကဏ္ဍကို အသိအမှတ်ပြုမှု ကြီးထွားလာသည်။မြောက်မြားစွာသောလေ့လာမှုများက အကျိတ်စိမ့်ဝင်နိုင်သော ကိုယ်ခံအားဆဲလ်များသည် cytotoxic ဓာတုကုထုံးကို တုံ့ပြန်ရာတွင် အရေးပါသောအခန်းကဏ္ဍမှပါဝင်ကြောင်း အတည်ပြုခဲ့သည် [21၊ 22၊ 23]အကျိတ်ကိုယ်ခံအား သေးငယ်သောပတ်ဝန်းကျင်သည် အကျိတ်လူနာများ အသက်ရှင်ရပ်တည်ရေးတွင် အရေးကြီးသောအချက်ဖြစ်သည် [24၊ 25]။Immunotherapy အထူးသဖြင့် ICI ကုထုံးကို အစိုင်အခဲအကျိတ်များ ကုသရာတွင် တွင်တွင်ကျယ်ကျယ် အသုံးပြုပါသည်။ခုခံအားဆိုင်ရာ ဗီဇများကို တွင်တွင်ကျယ်ကျယ် အသုံးပြုပြီး ရောဂါရှာဖွေရေး အန္တရာယ်ပုံစံများကို တည်ဆောက်သည်။ဥပမာ Su et al။ခုခံအားနှင့်ဆက်စပ်သော ပရိုတင်းရောဂါအန္တရာယ်ပုံစံသည် သားအိမ်ကင်ဆာလူနာများ၏ ကြိုတင်ခန့်မှန်းနိုင်သော ပရိုတင်းကုဒ်ဗီဇများအပေါ် အခြေခံထားသည်။lncRNA ကဲ့သို့သော ကုဒ်မဟုတ်သော ဗီဇများသည် ပရိုဂရမ်ရေးဆိုင်ရာ အန္တရာယ်ပုံစံများ [28၊ 29၊ 30] ကို တည်ဆောက်ရန်အတွက်လည်း သင့်လျော်ပါသည်။Luo et al သည် ခုခံအားဆိုင်ရာ lncRNAs လေးခုကို စမ်းသပ်ခဲ့ပြီး သားအိမ်ခေါင်းကင်ဆာဖြစ်နိုင်ခြေအတွက် ကြိုတင်ခန့်မှန်းမှုပုံစံ [31] ကို တည်ဆောက်ခဲ့သည်။Khan et al ။စုစုပေါင်း 32 ကွဲပြားစွာ ဖော်ပြထားသော စာသားမှတ်တမ်းများကို ဖော်ထုတ်ခဲ့ပြီး ယင်းအပေါ် အခြေခံ၍ ကျောက်ကပ်အစားထိုးခြင်းပြီးနောက် အသားစယူခြင်းဆိုင်ရာ ပြင်းထန်သော ပယ်ချခံရမှုကို ခန့်မှန်းရန် အထူးအကြံပြုထားသည့် ကိရိယာတစ်ခုအဖြစ် အဆိုပြုထားသည့် သိသာထင်ရှားသော စာသားမှတ်တမ်း 5 ခုပါသော ခန့်မှန်းပုံစံတစ်ခုကို တည်ထောင်ခဲ့သည်။
ဤမော်ဒယ်အများစုသည် ပရိုတင်း-ကုဒ်ဗီဇ သို့မဟုတ် ကုဒ်မဟုတ်သော ဗီဇများပေါ်တွင် အခြေခံထားသည်။သို့ရာတွင် တူညီသော ဗီဇသည် မတူညီသော ဂျီနိုမ်များ၊ ဒေတာဖော်မတ်များနှင့် မတူညီသော လူနာများတွင် မတူညီသော ထုတ်ဖော်ပြောဆိုမှုတန်ဖိုးများ ရှိနိုင်သောကြောင့် ကြိုတင်ခန့်မှန်းမှုပုံစံများတွင် မတည်မငြိမ် ခန့်မှန်းချက်များကို ဖြစ်ပေါ်စေသည်။ဤလေ့လာမှုတွင်၊ ကျွန်ုပ်တို့သည် တိကျသောဖော်ပြချက်တန်ဖိုးများမပါဘဲ lncRNAs အတွဲနှစ်တွဲဖြင့် ကျိုးကြောင်းဆီလျော်သောပုံစံတစ်ခုကို တည်ဆောက်ခဲ့သည်။
ဤလေ့လာမှုတွင်၊ irlncRNA သည် ကိုယ်ခံစွမ်းအားဆိုင်ရာ ဗီဇများနှင့် ဆက်စပ်မှုဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုဖြင့် ပထမဆုံးအကြိမ် တွေ့ရှိခဲ့သည်။ကျွန်ုပ်တို့သည် ကွဲပြားစွာဖော်ပြသော lncRNAs များဖြင့် ပေါင်းစပ်ထားသော DEirlncRNA 223 ခုကို စစ်ဆေးခဲ့ပါသည်။ဒုတိယ၊ ကျွန်ုပ်တို့သည် ထုတ်ဝေထားသော DEirlncRNA တွဲချိတ်ခြင်းနည်းလမ်း [31] ကို အခြေခံ၍ 0-or-1 matrix ကို တည်ဆောက်ခဲ့သည်။ထို့နောက် ကျွန်ုပ်တို့သည် ပရိုဂရမ်ဆိုင်ရာ DEirlncRNA အတွဲများကို ခွဲခြားသတ်မှတ်ရန်နှင့် ကြိုတင်ခန့်မှန်းနိုင်သော အန္တရာယ်ပုံစံတစ်ခုကို တည်ဆောက်ရန်အတွက် တစ်မူထူးခြားသော နှင့် lasso ဆုတ်ယုတ်မှု ခွဲခြမ်းစိတ်ဖြာမှုများကို လုပ်ဆောင်ခဲ့ပါသည်။ကျွန်ုပ်တို့သည် PAAD လူနာများတွင် ဖြစ်နိုင်ခြေရမှတ်များနှင့် ဆေးခန်းလက္ခဏာများအကြား ဆက်စပ်မှုကို ထပ်လောင်းခွဲခြမ်းစိတ်ဖြာထားသည်။ကျွန်ုပ်တို့၏ ပရိုဂရမ်ဆိုင်ရာ အန္တရာယ်ပုံစံ၊ PAAD လူနာများအတွက် အမှီအခိုကင်းသော ပရိုဂရမ်ဆိုင်ရာ အချက်တစ်ချက်အနေဖြင့်၊ အတန်းနိမ့်လူနာများနှင့် တန်းမြင့်လူနာများနှင့် အတန်းနိမ့်လူနာများနှင့် တန်းမြင့်လူနာများကို ထိရောက်စွာ ခွဲခြားနိုင်သည်ကို တွေ့ရှိခဲ့သည်။ထို့အပြင်၊ ပရောဂျက်အန္တရာယ်မော်ဒယ်၏ ROC မျဉ်းကွေး၏ AUC တန်ဖိုးများသည် 1 နှစ်ခန့်မှန်းချက်အတွက် 0.905၊ 2 နှစ်ခန့်မှန်းချက်အတွက် 0.942 နှင့် 3 နှစ်ခန့်မှန်းချက်အတွက် 0.966 ဖြစ်သည်။
ပိုများသော CD8+ T cell စိမ့်ဝင်မှုရှိသော လူနာများသည် ICI ကုသမှုကို ပို၍ အထိမခံနိုင်ကြောင်း သုတေသီများက အစီရင်ခံခဲ့သည်။cytotoxic ဆဲလ်များ၊ CD56 NK ဆဲလ်များ၊ NK ဆဲလ်များနှင့် CD8+ T ဆဲလ်များ အကျိတ်၏ ကိုယ်ခံအား microenvironment တွင် တိုးလာခြင်းသည် အကျိတ်ကို နှိမ်နင်းနိုင်သော အကျိုးသက်ရောက်မှု [34] ၏ အကြောင်းရင်းတစ်ခု ဖြစ်နိုင်သည်။ယခင်လေ့လာမှုများ အရ အကျိတ်ဝင်ရောက်ခြင်း CD4(+) T နှင့် CD8(+) T သည် ပိုမိုကြာရှည်စွာ ရှင်သန်မှုနှင့် သိသိသာသာ ဆက်စပ်နေကြောင်း ပြသခဲ့သည်။ညံ့ဖျင်းသော CD8 T cell စိမ့်ဝင်မှု၊ neoantigen load နည်းပါးခြင်းနှင့် ခုခံအားကျဆင်းစေသော အကျိတ်အသေးစားပတ်ဝန်းကျင်တွင် ICI ကုထုံးကို တုံ့ပြန်မှုမရှိခြင်း [36] ကို ဦးတည်စေသည်။အန္တရာယ်ရမှတ်သည် CD8+ T ဆဲလ်များနှင့် NK ဆဲလ်များနှင့် အဆိုးဘက်ဆက်စပ်နေကြောင်း တွေ့ရှိခဲ့ရပြီး အန္တရာယ်များသောရမှတ်များရှိသော လူနာများသည် ICI ကုသမှုအတွက် မသင့်လျော်ဘဲ ပိုမိုဆိုးရွားသော အလားအလာများ ရှိနေနိုင်သည်ကို ကျွန်ုပ်တို့တွေ့ရှိခဲ့သည်။
CD161 သည် သဘာဝလူသတ်သမား (NK) ဆဲလ်များ၏ အမှတ်အသားဖြစ်သည်။CD8+CD161+ CAR-transduced T cells သည် HER2+ ပန်ကရိယ ductal adenocarcinoma xenograft မော်ဒယ်များတွင် vivo antitumor ထိရောက်မှုကို မြှင့်တင်ပေးပါသည်။Immune checkpoint inhibitors များသည် cytotoxic T lymphocyte ဆက်စပ်ပရိုတိန်း 4 (CTLA-4) နှင့် programmed cell death protein 1 (PD-1)/programmed cell death ligand 1 (PD-L1) လမ်းကြောင်းများကို ပစ်မှတ်ထားပြီး နေရာအများအပြားတွင် အလားအလာကောင်းများရှိသည်။CTLA-4 နှင့် CD161 (KLRB1) ၏ဖော်ပြချက်သည် အန္တရာယ်များသောအုပ်စုများတွင် နိမ့်ကျပြီး အန္တရာယ်များသောရမှတ်များရှိသော လူနာများသည် ICI ကုသမှုအတွက် အရည်အချင်းမပြည့်မီနိုင်ဟု ထပ်လောင်းဖော်ပြသည်။[၃၈]
အန္တရာယ်များသောလူနာများအတွက် သင့်လျော်သောကုသမှုနည်းလမ်းများကိုရှာဖွေရန်၊ ကျွန်ုပ်တို့သည် အမျိုးမျိုးသောကင်ဆာရောဂါတိုက်ဖျက်ရေးဆေးများကို ခွဲခြမ်းစိတ်ဖြာပြီး PAAD လူနာများတွင် တွင်ကျယ်စွာအသုံးပြုနေသည့် paclitaxel၊ sorafenib နှင့် erlotinib တို့သည် PAAD နှင့်အတူ ဖြစ်နိုင်ချေများသောလူနာများအတွက် သင့်လျော်ကြောင်း တွေ့ရှိခဲ့သည်။[၃၃]။Zhang et al သည် မည်သည့် DNA ပျက်စီးမှုတုံ့ပြန်မှု (DDR) လမ်းကြောင်းတွင်မဆို ဗီဇပြောင်းလဲမှုများသည် ဆီးကျိတ်ကင်ဆာလူနာများတွင် ဆိုးရွားသောကြိုတင်ခန့်မှန်းမှုကို ဖြစ်ပေါ်စေနိုင်ကြောင်း တွေ့ရှိခဲ့သည်။Pancreatic Cancer Olaparib Ongoing (POLO) စမ်းသပ်မှုတွင် olaparib ဖြင့် ထိန်းသိမ်းကုသခြင်းသည် ပန်ကရိယပြွန်ကင်ဆာနှင့် ပိုးမွှား BRCA1/2 ဗီဇပြောင်းလဲမှုများရှိသော လူနာများတွင် ပထမတန်းပလက်တီနမ်အခြေခံ ဓာတုကုထုံးပြီးနောက် placebo နှင့် နှိုင်းယှဉ်ပါက တိုးတက်မှုကင်းမဲ့သော ရှင်သန်မှုကို ကြာရှည်စေကြောင်း ပြသခဲ့သည်။ဤသည်မှာ လူနာအုပ်စုခွဲတွင် ကုသမှုရလဒ်များ သိသိသာသာ တိုးတက်ကောင်းမွန်လာမည်ဟု သိသာထင်ရှားသော အကောင်းမြင်မှုကို ပေးပါသည်။ဤလေ့လာမှုတွင်၊ AZD.2281 (olaparib) ၏ IC50 တန်ဖိုးသည် အန္တရာယ်များသောအုပ်စုတွင် ပိုမိုမြင့်မားနေပြီး အန္တရာယ်များသောအုပ်စုရှိ PAAD လူနာများသည် AZD.2281 နှင့် ကုသမှုကို ခံနိုင်ရည်ရှိနိုင်ကြောင်း ညွှန်ပြနေသည်။
ဤလေ့လာမှုရှိ ခန့်မှန်းချက်ပုံစံများသည် ကောင်းသော ခန့်မှန်းချက်ရလဒ်များကို ထုတ်ပေးသော်လည်း ၎င်းတို့သည် ခွဲခြမ်းစိတ်ဖြာသော ခန့်မှန်းချက်များကို အခြေခံထားသည်။ဆေးခန်းဒေတာဖြင့် ဤရလဒ်များကို မည်သို့အတည်ပြုရမည်နည်း။Endoscopic fine needle aspiration ultrasonography (EUS-FNA) သည် အာရုံခံနိုင်စွမ်း 85% နှင့် 98% [41] တို့နှင့်အတူ အစိုင်အခဲနှင့် extrapancreatic pancreatic lesions များကို ရှာဖွေစစ်ဆေးရန်အတွက် မရှိမဖြစ်လိုအပ်သောနည်းလမ်းတစ်ခု ဖြစ်လာပါသည်။EUS fine-needle biopsy (EUS-FNB) ဆေးထိုးအပ်များ ပေါ်ထွန်းလာမှုသည် FNA ထက် ပိုမိုမြင့်မားသော ရောဂါရှာဖွေရေး တိကျမှု၊ histological ဖွဲ့စည်းပုံကို ထိန်းသိမ်းသည့်နမူနာများ ရယူခြင်းနှင့် အချို့သော ရောဂါရှာဖွေမှုအတွက် အရေးကြီးသော ကိုယ်ခံအား တစ်ရှူးများ ထုတ်ပေးခြင်းကဲ့သို့ အဓိကအားဖြင့် FNA ၏ အားသာချက်များအပေါ် အခြေခံထားသည်။အထူးအရောင်ခြယ်ခြင်း [42] ။FNB အပ်များ (အထူးသဖြင့် 22G) သည် ပန်ကရိယထုထည်မှ တစ်ရှူးများကို ရိတ်သိမ်းရာတွင် အမြင့်ဆုံးထိရောက်မှုရှိကြောင်း စာပေ၏စနစ်တကျပြန်လည်သုံးသပ်မှုမှ အတည်ပြုခဲ့သည်။ဆေးခန်းတွင် လူနာအနည်းငယ်သာ အစွန်းရောက်ခွဲစိတ်မှုပြုလုပ်ရန် အရည်အချင်းပြည့်မီပြီး လူနာအများစုသည် ကနဦးရောဂါရှာဖွေချိန်တွင် ခွဲစိတ်၍မရသောအကျိတ်များရှိသည်။လက်တွေ့လက်တွေ့တွင် လူနာအများစုသည် ကနဦးရောဂါရှာဖွေချိန်တွင် ခွဲစိတ်၍မရနိုင်သောအကျိတ်များရှိသောကြောင့် လူနာအနည်းငယ်သာ အချိုးအစားအနည်းငယ်သာ သင့်လျော်ပါသည်။EUS-FNB နှင့် အခြားနည်းလမ်းများဖြင့် ရောဂါဗေဒအတည်ပြုပြီးနောက်၊ ဓာတုကုထုံးကဲ့သို့သော စံပြုခွဲစိတ်မဟုတ်သော ကုသမှုကို အများအားဖြင့် ရွေးချယ်သည်။ကျွန်ုပ်တို့၏နောက်ဆက်တွဲသုတေသနပရိုဂရမ်သည် နောက်ကြောင်းပြန်ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် ခွဲစိတ်ခန်းနှင့်ခွဲစိတ်မဟုတ်သောအုပ်စုများတွင် ဤလေ့လာမှု၏ကြိုတင်ခန့်မှန်းချက်ပုံစံကို စမ်းသပ်ရန်ဖြစ်သည်။
ယေဘုယျအားဖြင့်၊ ကျွန်ုပ်တို့၏လေ့လာမှုသည် ပန်ကရိယကင်ဆာဝေဒနာရှင်များတွင် အလားအလာရှိသော ပကတိတန်ဖိုးကိုပြသသည့် တွဲဖက် irlncRNA ကိုအခြေခံ၍ ပရိုဂရမ်ဆိုင်ရာအန္တရာယ်ပုံစံအသစ်ကို ဖန်တီးခဲ့သည်။ကျွန်ုပ်တို့၏ ပရိုဂရမ်ဆိုင်ရာ အန္တရာယ်ပုံစံသည် ဆေးကုသမှုအတွက် သင့်လျော်သော PAAD လူနာများကို ကွဲပြားအောင် ကူညီပေးနိုင်ပါသည်။
လက်ရှိလေ့လာမှုတွင် အသုံးပြုပြီး ခွဲခြမ်းစိတ်ဖြာထားသည့် ဒေတာအတွဲများကို သက်ဆိုင်ရာ စာရေးသူထံမှ ကျိုးကြောင်းဆီလျော်စွာ တောင်းဆိုမှုဖြင့် ရရှိနိုင်ပါသည်။
Sui Wen၊ Gong X၊ Zhuang Y. သည် COVID-19 ကပ်ရောဂါအတွင်း အပျက်သဘောဆောင်သော စိတ်ခံစားမှုများကို ထိန်းညှိရာတွင် မိမိကိုယ်ကို ထိရောက်စွာ ဖြန်ဖြေပေးသည့် အခန်းကဏ္ဍ- အပိုင်းပိုင်းလေ့လာချက်။Int J Ment Health Nurs [ဂျာနယ်ဆောင်းပါး]။2021 ခုနှစ် 06/01/2021;30(3):759–71။
Sui Wen, Gong X, Qiao X, Zhang L, Cheng J, Dong J, et al.အထူးကြပ်မတ်ကုသဆောင်များတွင် အစားထိုး ဆုံးဖြတ်ချက်ချခြင်းဆိုင်ရာ မိသားစုဝင်များ၏ အမြင်- စနစ်တကျ ပြန်လည်သုံးသပ်ခြင်း။INT J NURS STUD [မဂ္ဂဇင်းဆောင်းပါး;သုံးသပ်ချက်]2023 ခုနှစ် 01/01/2023;137:104391။
Vincent A, Herman J, Schulich R, Hruban RH, Goggins M. ပန်ကရိယကင်ဆာ။ဓား။[ဂျာနယ်ဆောင်းပါး;သုတေသန အထောက်အပံ့၊ NIH၊ extramural;သုတေသန အထောက်အပံ့၊ အမေရိကန်ပြင်ပ အစိုးရ၊သုံးသပ်ချက်]2011 ခုနှစ် 08/13/2011;378(9791):607–20။
Ilic M၊ Ilic I. ပန်ကရိယကင်ဆာ၏ ကူးစက်ရောဂါဗေဒ။World Journal of Gastroenterology။[ဂျာနယ်ဆောင်းပါး၊ သုံးသပ်ချက်]။2016 11/28/2016;22(44):9694–705။
Liu X၊ Chen B၊ Chen J၊ Sun S. ပန်ကရိယကင်ဆာဝေဒနာရှင်များတွင် အလုံးစုံရှင်သန်မှုကို ခန့်မှန်းနိုင်သည့် tp53 ဆိုင်ရာ အမည်စာရင်းအသစ်။BMC Cancer [ဂျာနယ်ဆောင်းပါး]။2021 ခုနှစ် 31-03-2021;21(1:335)။
Xian X၊ Zhu X၊ Chen Y၊ Huang B၊ Xiang W. သည် ကင်ဆာနှင့်ဆိုင်သော ပင်ပန်းနွမ်းနယ်မှုအပေါ် အာရုံစူးစိုက်သော ကုထုံး၏ သက်ရောက်မှု- ဓာတုကုထုံးကို ခံယူနေသော အူမကြီးကင်ဆာလူနာများတွင် ကင်ဆာဖြစ်စေသော ပင်ပန်းနွမ်းနယ်မှု- ကျပန်းထိန်းချုပ်ထားသော စမ်းသပ်မှု။ကင်ဆာသူနာပြု။[ဂျာနယ်ဆောင်းပါး;ကျပန်းထိန်းချုပ်ထားသော စမ်းသပ်မှု၊လေ့လာမှုအား အမေရိကန်ပြင်ပ အစိုးရမှ ပံ့ပိုးကူညီထားသည်။]2022 05/01/2022;45(3):E663–73။
Zhang Cheng, Zheng Wen, Lu Y, Shan L, Xu Dong, Pan Y, et al.ခွဲစိတ်မှုအပြီးတွင် ကင်ဆာရောဂါဖြစ်ပွားစေသော အန်တီဂျင် (CEA) အဆင့်များသည် ပုံမှန်မခွဲစိတ်မီ CEA အဆင့်ရှိသော လူနာများတွင် အူမကြီးကင်ဆာကို ခွဲစိတ်ပြီးနောက် ရလဒ်ကို ခန့်မှန်းပေးသည်။ဘာသာပြန်ကင်ဆာသုတေသနစင်တာ။[ဂျာနယ်ဆောင်းပါး]။01.01.2020;9(1):111-8။
Hong Wen၊ Liang Li၊ Gu Yu၊ Qi Zi၊ Qiu Hua၊ Yang X၊ et al.Immune-related lncRNAs များသည် ဆန်းသစ်သော လက်မှတ်များကို ထုတ်ပေးပြီး လူ့အသည်းကင်ဆာ၏ ကိုယ်ခံအား ရှုခင်းကို ခန့်မှန်းသည်။Mol Ther Nucleic acids [ဂျာနယ်ဆောင်းပါး]။2020 2020-12-04;22:937 – 47။
ပန်ကရိယကင်ဆာအတွက် Toffey RJ၊ Zhu Y.၊ Schulich RD Immunotherapy - အတားအဆီးများနှင့် အောင်မြင်မှုများ။Ann အစာအိမ်နဲ့အူလမ်းကြောင်းခွဲစိတ်ဆရာဝန် [ဂျာနယ်ဆောင်းပါး;သုံးသပ်ချက်]07/01/2018;2(4):274–81။
Hull R၊ Mbita Z၊ Dlamini Z။ ရှည်လျားသော coding မဟုတ်သော RNAs (LncRNAs)၊ ဗိုင်းရပ်စ်အကျိတ်မျိုးရိုးဗီဇနှင့် ကွဲလွဲနေသော ပေါင်းစပ်ဖြစ်ရပ်များ- ကုထုံးသက်ရောက်မှုများ။AM J CANCER RES [ဂျာနယ်ဆောင်းပါး;သုံးသပ်ချက်]2021 01/20/2021;11(3):866–83။
Wang J၊ Chen P၊ Zhang Y၊ Ding J၊ Yang Y၊ Li H. 11- သားအိမ်တွင်းကင်ဆာနှင့်ဆက်စပ်သော lncRNA လက်မှတ်များကို ခွဲခြားသတ်မှတ်ခြင်း။သိပ္ပံပညာ၏အောင်မြင်မှုများ [မဂ္ဂဇင်းဆောင်းပါး]။2021 2021-01-01;104(1):311977089။
Jiang S၊ Ren H၊ Liu S၊ Lu Z၊ Xu A၊ Qin S၊ et al ။papillary cell renal cell carcinoma ရှိ RNA-binding ပရိုတိန်းမျိုးဗီဇများနှင့် မူးယစ်ဆေးဝါး ကိုယ်စားလှယ်လောင်းများကို ကျယ်ကျယ်ပြန့်ပြန့် ခွဲခြမ်းစိတ်ဖြာခြင်း။pregen[ဂျာနယ်ဆောင်းပါး]။2021 ခုနှစ် 01/20/2021;12:627508။
Li X၊ Chen J၊ Yu Q၊ Huang X၊ Liu Z၊ Wang X၊ et al.ရင်သားကင်ဆာဖြစ်နိုင်ချေကို ခန့်မှန်းပေးသည့် ရှည်လျားသော coding မဟုတ်သော RNA ၏ လက္ခဏာများ။pregen[ဂျာနယ်ဆောင်းပါး]။2021 ခုနှစ် 01/20/2021;12:569318။
Zhou M, Zhang Z, Zhao X, Bao S, Cheng L, Sun J. Immune-related six lncRNA signature သည် glioblastoma multiforme တွင် ဖြစ်နိုင်ခြေကို တိုးတက်စေသည်။MOL အာရုံကြောဇီဝဗေဒ။[ဂျာနယ်ဆောင်းပါး]။2018 01.05.2018;55(5):3684–97။
Wu B၊ Wang Q၊ Fei J၊ Bao Y၊ Wang X၊ Song Z၊ et al.Tri-lncRNA လက်မှတ်အသစ်သည် ပန်ကရိယကင်ဆာဝေဒနာရှင်များ၏ အသက်ရှင်ကျန်ရစ်မှုကို ခန့်မှန်းပေးသည်။ONKOL ၏ ကိုယ်စား လှယ်များ။[ဂျာနယ်ဆောင်းပါး]။2018 12/01/2018;40(6):3427–37။
Luo C၊ Lin K၊ Hu C၊ Zhu X၊ Zhu J၊ Zhu Z. LINC01094 သည် LIN28B အသုံးအနှုန်းနှင့် ရောနှောထားသော miR-577 ကို ထိန်းညှိခြင်းဖြင့် ပန်ကရိယကင်ဆာဖြစ်ပွားမှုကို မြှင့်တင်ပေးပါသည်။Mol ကုထုံးများ - နူကလိယအက်ဆစ်။2021; 26:523–35။
Lin J, Zhai X, Zou S, Xu Z, Zhang J, Jiang L, et al.lncRNA FLVCR1-AS1 နှင့် KLF10 အကြား အပြုသဘောဆောင်သော တုံ့ပြန်ချက်သည် PTEN/AKT လမ်းကြောင်းမှတစ်ဆင့် ပန်ကရိယကင်ဆာဖြစ်ပွားမှုကို ဟန့်တားနိုင်သည်။J EXP Clin Cancer Res.၂၀၂၁၊ ၄၀(၁)။
Zhou X၊ Liu X၊ Zeng X၊ Wu D၊ Liu L. အသည်းကင်ဆာတွင် အလုံးစုံရှင်သန်မှုကို ခန့်မှန်းနိုင်သော ဗီဇ ဆယ့်သုံးမျိုး ခွဲခြားသတ်မှတ်ခြင်း။Biosci Rep [ဂျာနယ်ဆောင်းပါး]။2021 04/09/2021။
တင်ချိန်- စက်တင်ဘာ ၂၂-၂၀၂၃