ပန်ကရိယကင်ဆာသည် ကမ္ဘာပေါ်တွင် အသေအပျောက်အများဆုံး အကျိတ်များထဲမှ တစ်ခုဖြစ်ပြီး ရောဂါအခြေအနေခန့်မှန်းချက် ညံ့ဖျင်းပါသည်။ ထို့ကြောင့် ကုသမှုကို စိတ်ကြိုက်ပြင်ဆင်ပြီး ရောဂါအခြေအနေခန့်မှန်းချက်ကို မြှင့်တင်ရန်အတွက် ပန်ကရိယကင်ဆာဖြစ်နိုင်ခြေ မြင့်မားသော လူနာများကို ဖော်ထုတ်ရန်အတွက် တိကျသော ခန့်မှန်းမော်ဒယ်တစ်ခု လိုအပ်ပါသည်။
ကျွန်ုပ်တို့သည် UCSC Xena database မှ The Cancer Genome Atlas (TCGA) pancreatic adenocarcinoma (PAAD) RNAseq အချက်အလက်များကို ရယူခဲ့ပြီး၊ correlation analysis မှတစ်ဆင့် immune-related lncRNAs (irlncRNAs) များကို ဖော်ထုတ်ခဲ့ပြီး၊ TCGA နှင့် ပုံမှန် pancreatic adenocarcinoma တစ်ရှူးများ (DEirlncRNA) အကြား ကွာခြားချက်များကို ဖော်ထုတ်ခဲ့ပြီး pancreatic တစ်ရှူး၏ genotype tissue expression (GTEx) မှ ဖော်ထုတ်ခဲ့သည်။ prognostic signature model များကို တည်ဆောက်ရန် univariate နှင့် lasso regression analysis များကို ထပ်မံလုပ်ဆောင်ခဲ့သည်။ ထို့နောက် curve အောက်ရှိ area ကို တွက်ချက်ပြီး အန္တရာယ်မြင့်မားသော နှင့် အန္တရာယ်နည်းသော pancreatic adenocarcinoma ရှိသော လူနာများကို ဖော်ထုတ်ရန်အတွက် အကောင်းဆုံး cutoff value ကို ဆုံးဖြတ်ခဲ့သည်။ အန္တရာယ်မြင့်မားသော နှင့် အန္တရာယ်နည်းသော pancreatic ကင်ဆာရှိသော လူနာများတွင် clinical characteristics၊ immune cell infiltration၊ immunosuppressive microenvironment နှင့် chemotherapy resistance တို့ကို နှိုင်းယှဉ်ရန်။
ကျွန်ုပ်တို့သည် DEirlncRNA အတွဲ ၂၀ ကို ဖော်ထုတ်ခဲ့ပြီး အကောင်းဆုံး cutoff တန်ဖိုးအရ လူနာများကို အုပ်စုဖွဲ့ခဲ့သည်။ ကျွန်ုပ်တို့၏ ခန့်မှန်းချက်လက်မှတ်ပုံစံသည် PAAD ရှိသော လူနာများ၏ ခန့်မှန်းချက်ကို ခန့်မှန်းရာတွင် သိသာထင်ရှားသော စွမ်းဆောင်ရည်ရှိကြောင်း ကျွန်ုပ်တို့ ပြသခဲ့သည်။ ROC မျဉ်းကွေး၏ AUC သည် ၁ နှစ်ခန့်မှန်းချက်အတွက် ၀.၉၀၅၊ ၂ နှစ်ခန့်မှန်းချက်အတွက် ၀.၉၄၂ နှင့် ၃ နှစ်ခန့်မှန်းချက်အတွက် ၀.၉၆၆ ဖြစ်သည်။ အန္တရာယ်များသော လူနာများတွင် ရှင်သန်နှုန်းနည်းပါးပြီး ပိုဆိုးသော လက်တွေ့လက္ခဏာများ ရှိသည်။ အန္တရာယ်များသော လူနာများသည် ကိုယ်ခံအား နှိမ်နင်းခံရပြီး ကိုယ်ခံအားကုထုံးကို ခံနိုင်ရည်ရှိလာနိုင်ကြောင်းကိုလည်း ကျွန်ုပ်တို့ ပြသခဲ့သည်။ တွက်ချက်မှုခန့်မှန်းကိရိယာများအပေါ် အခြေခံ၍ paclitaxel၊ sorafenib နှင့် erlotinib ကဲ့သို့သော ကင်ဆာဆန့်ကျင်ဆေးများကို အကဲဖြတ်ခြင်းသည် PAAD ရှိသော အန္တရာယ်များသော လူနာများအတွက် သင့်လျော်နိုင်ပါသည်။
အလုံးစုံသော် ကျွန်ုပ်တို့၏လေ့လာမှုသည် ပန်ကရိယကင်ဆာရှိသောလူနာများတွင် အလားအလာရှိသော ခန့်မှန်းချက်တန်ဖိုးကိုပြသသည့် irlncRNA တွဲဖက်အပေါ်အခြေခံ၍ ခန့်မှန်းခြေအန္တရာယ်ပုံစံအသစ်တစ်ခုကို ထူထောင်ခဲ့သည်။ ကျွန်ုပ်တို့၏ ခန့်မှန်းခြေအန္တရာယ်ပုံစံသည် ဆေးကုသမှုအတွက် သင့်လျော်သော PAAD ရှိသောလူနာများကို ခွဲခြားရန် ကူညီပေးနိုင်ပါသည်။
ပန်ကရိယကင်ဆာသည် ငါးနှစ်အသက်ရှင်နှုန်းနည်းပြီး အဆင့်မြင့်သော ကင်ဆာအကျိတ်တစ်ခုဖြစ်သည်။ ရောဂါရှာဖွေတွေ့ရှိချိန်တွင် လူနာအများစုသည် အဆင့်မြင့်အဆင့်တွင် ရှိနေကြသည်။ COVID-19 ကပ်ရောဂါနှင့်ဆက်စပ်၍ ဆရာဝန်များနှင့် သူနာပြုများသည် ပန်ကရိယကင်ဆာရှိသော လူနာများကို ကုသရာတွင် ဖိအားများစွာနှင့် ရင်ဆိုင်နေရပြီး လူနာများ၏ မိသားစုများသည် ကုသမှုဆုံးဖြတ်ချက်များချရာတွင် ဖိအားများစွာနှင့် ရင်ဆိုင်ရပါသည် [1၊ 2]။ DOAD များကို ကုသရာတွင် neoadjuvant therapy၊ ခွဲစိတ်ဖယ်ရှားခြင်း၊ ရောင်ခြည်ကုထုံး၊ ဓာတုကုထုံး၊ ပစ်မှတ်ထားမော်လီကျူးကုထုံးနှင့် ကိုယ်ခံအားစစ်ဆေးရေး inhibitors (ICIs) ကဲ့သို့သော ကြီးမားသောတိုးတက်မှုများ ရှိသော်လည်း လူနာ ၉% ခန့်သာ ရောဂါရှာဖွေတွေ့ရှိပြီးနောက် ငါးနှစ်ကြာ အသက်ရှင်ကျန်ရစ်ပါသည် [3]။ ]၊ 4]။ ပန်ကရိယ adenocarcinoma ၏ အစောပိုင်းလက္ခဏာများသည် ပုံမှန်မဟုတ်သောကြောင့် လူနာများကို အဆင့်မြင့်အဆင့်တွင် metastases များရှိသည်ဟု ရောဂါရှာဖွေတွေ့ရှိလေ့ရှိသည် [5]။ ထို့ကြောင့် လူနာတစ်ဦးအတွက် တစ်ဦးချင်းစီအလိုက် ပြည့်စုံသောကုသမှုသည် ကုသမှုရွေးချယ်မှုအားလုံး၏ အားသာချက်များနှင့် အားနည်းချက်များကို ချိန်ဆရမည်ဖြစ်ပြီး ရှင်သန်မှုကို ရှည်ကြာစေရုံသာမက ဘဝအရည်အသွေးကိုလည်း မြှင့်တင်ပေးရမည် [6]။ ထို့ကြောင့် လူနာ၏ ရောဂါခန့်မှန်းချက်ကို တိကျစွာ အကဲဖြတ်ရန်အတွက် ထိရောက်သော ခန့်မှန်းချက်ပုံစံတစ်ခု လိုအပ်ပါသည် [7]။ ထို့ကြောင့် PAAD ရောဂါရှိသူများ၏ ရှင်သန်နှုန်းနှင့် ဘဝအရည်အသွေးကို ဟန်ချက်ညီစေရန် သင့်လျော်သော ကုသမှုကို ရွေးချယ်နိုင်ပါသည်။
PAAD ၏ ရောဂါခန့်မှန်းချက်ညံ့ဖျင်းခြင်းမှာ အဓိကအားဖြင့် ကီမိုဆေးဝါးများကို ခံနိုင်ရည်ရှိခြင်းကြောင့်ဖြစ်သည်။ မကြာသေးမီနှစ်များအတွင်း၊ ကိုယ်ခံအားစစ်ဆေးရေးဂိတ် inhibitors များကို အစိုင်အခဲအကျိတ်များကို ကုသရာတွင် ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုလာခဲ့သည် [8]။ သို့သော်၊ ပန်ကရိယကင်ဆာတွင် ICIs များကိုအသုံးပြုခြင်းမှာ ရှားရှားပါးပါးသာ အောင်မြင်ပါသည် [9]။ ထို့ကြောင့် ICI ကုထုံးမှ အကျိုးကျေးဇူးရရှိနိုင်သော လူနာများကို ဖော်ထုတ်ရန် အရေးကြီးပါသည်။
Long non-coding RNA (lncRNA) သည် နျူကလီယိုတိုက် ၂၀၀ ကျော်ပါသော non-coding RNA အမျိုးအစားတစ်ခုဖြစ်သည်။ LncRNA များသည် ကျယ်ပြန့်စွာတည်ရှိပြီး လူသား transcriptome ၏ 80% ခန့်ရှိသည် [10]။ lncRNA ကိုအခြေခံသော ရောဂါခန့်မှန်းချက်ပုံစံများသည် လူနာရောဂါခန့်မှန်းချက်ကို ထိရောက်စွာခန့်မှန်းနိုင်ကြောင်း လေ့လာမှုများစွာက ပြသထားသည် [11၊ 12]။ ဥပမာအားဖြင့်၊ ရင်သားကင်ဆာတွင် ရောဂါခန့်မှန်းချက်လက္ခဏာများကိုထုတ်ပေးရန် autophagy နှင့်ဆက်စပ်သော lncRNA ၁၈ ခုကို ဖော်ထုတ်ခဲ့သည် [13]။ အခြားကိုယ်ခံအားနှင့်ဆက်စပ်သော lncRNA ခြောက်မျိုးကို glioma ၏ ရောဂါခန့်မှန်းချက်အင်္ဂါရပ်များကို တည်ထောင်ရန်အသုံးပြုခဲ့သည် [14]။
ပန်ကရိယကင်ဆာတွင်၊ လေ့လာမှုအချို့သည် လူနာ၏ရောဂါခန့်မှန်းချက်ကို ခန့်မှန်းရန် lncRNA-based signatures များကို တည်ထောင်ထားသည်။ ROC curve (AUC) အောက်ရှိဧရိယာ 0.742 နှင့် ಒಟ್ಟಾರೆရှင်သန်မှု (OS) 3 နှစ်ရှိသော ပန်ကရိယ adenocarcinoma တွင် 3-lncRNA signature ကို တည်ထောင်ခဲ့သည် [15]။ ထို့အပြင်၊ lncRNA expression တန်ဖိုးများသည် မတူညီသော genomes၊ မတူညီသော data formats နှင့် မတူညီသော လူနာများအကြား ကွဲပြားပြီး ခန့်မှန်းမော်ဒယ်၏ စွမ်းဆောင်ရည်သည် မတည်မငြိမ်ဖြစ်သည်။ ထို့ကြောင့်၊ ပိုမိုတိကျပြီး တည်ငြိမ်သော ခန့်မှန်းမော်ဒယ်ကို ဖန်တီးရန် ကိုယ်ခံအားနှင့်ဆက်စပ်သော lncRNA (irlncRNA) signatures များကို ထုတ်လုပ်ရန် ကျွန်ုပ်တို့သည် novel modeling algorithm၊ pairing နှင့် iteration ကို အသုံးပြုပါသည် [8]။
ပုံမှန် RNAseq အချက်အလက် (FPKM) နှင့် ဆေးခန်းပန်ကရိယကင်ဆာ TCGA နှင့် genotype တစ်ရှူးဖော်ပြမှု (GTEx) အချက်အလက်များကို UCSC XENA ဒေတာဘေ့စ် (https://xenabrowser.net/datapages/) မှ ရယူခဲ့သည်။ GTF ဖိုင်များကို Ensembl ဒေတာဘေ့စ် (http://asia.ensembl.org) မှ ရယူခဲ့ပြီး RNAseq မှ lncRNA ဖော်ပြမှုပရိုဖိုင်များကို ထုတ်ယူရန် အသုံးပြုခဲ့သည်။ ကျွန်ုပ်တို့သည် ImmPort ဒေတာဘေ့စ် (http://www.immport.org) မှ ကိုယ်ခံအားနှင့်ဆက်စပ်သော မျိုးဗီဇများကို ဒေါင်းလုဒ်လုပ်ပြီး ဆက်စပ်မှုခွဲခြမ်းစိတ်ဖြာမှုကို အသုံးပြု၍ ကိုယ်ခံအားနှင့်ဆက်စပ်သော lncRNA (irlncRNAs) ကို ဖော်ထုတ်ခဲ့သည် (p < 0.001၊ r > 0.4)။ TCGA-PAAD cohort (|logFC| > 1 နှင့် FDR) <0.05) တွင် irlncRNAs နှင့် GEPIA2 ဒေတာဘေ့စ် (http://gepia2.cancer-pku.cn/#index) မှ ရရှိသော ကွဲပြားစွာဖော်ပြသော irlncRNAs (DEirlncRNAs) ကို ခွဲခြားသတ်မှတ်ခဲ့သည်။
ဤနည်းလမ်းကို ယခင်က ဖော်ပြခဲ့ပြီးဖြစ်သည် [8]။ အထူးသဖြင့်၊ တွဲထားသော lncRNA A နှင့် lncRNA B ကို အစားထိုးရန် ကျွန်ုပ်တို့သည် X ကို တည်ဆောက်ပါသည်။ lncRNA A ၏ expression တန်ဖိုးသည် lncRNA B ၏ expression တန်ဖိုးထက် မြင့်မားသောအခါ၊ X ကို 1 အဖြစ် သတ်မှတ်သည်၊ မဟုတ်ပါက X ကို 0 အဖြစ် သတ်မှတ်သည်။ ထို့ကြောင့်၊ ကျွန်ုပ်တို့သည် 0 သို့မဟုတ် -1 ၏ matrix ကို ရရှိနိုင်သည်။ matrix ၏ ဒေါင်လိုက်ဝင်ရိုးသည် နမူနာတစ်ခုစီကို ကိုယ်စားပြုပြီး အလျားလိုက်ဝင်ရိုးသည် 0 သို့မဟုတ် 1 တန်ဖိုးရှိသော DEirlncRNA အတွဲတစ်ခုစီကို ကိုယ်စားပြုသည်။
ရောဂါရှာဖွေခြင်း DEirlncRNA အတွဲများကို စစ်ဆေးရန်အတွက် Univariate regression analysis နောက်တွင် Lasso regression ကို အသုံးပြုခဲ့သည်။ lasso regression analysis တွင် တစ်ကြိမ်လျှင် ကျပန်းလှုံ့ဆော်မှု ၁၀၀၀ ဖြင့် ၁၀-fold cross-validation ကို ၁၀၀၀ ကြိမ် (p < 0.05) ထပ်ခါတလဲလဲအသုံးပြုခဲ့သည်။ DEirlncRNA အတွဲတစ်ခုစီ၏ frequency သည် ၁၀၀၀ cycle တွင် ၁၀၀ ကြိမ်ထက်ကျော်လွန်သွားသောအခါ၊ ရောဂါရှာဖွေခြင်းအန္တရာယ်ပုံစံတစ်ခုတည်ဆောက်ရန် DEirlncRNA အတွဲများကို ရွေးချယ်ခဲ့သည်။ ထို့နောက် PAAD လူနာများကို အန္တရာယ်မြင့်မားသောအုပ်စုနှင့် အန္တရာယ်နည်းသောအုပ်စုများအဖြစ် အမျိုးအစားခွဲခြားရန်အတွက် အကောင်းဆုံး cutoff တန်ဖိုးကိုရှာဖွေရန် AUC curve ကို အသုံးပြုခဲ့သည်။ ပုံစံတစ်ခုစီ၏ AUC တန်ဖိုးကိုလည်း တွက်ချက်ပြီး curve အဖြစ် ပုံဖော်ခဲ့သည်။ curve သည် အများဆုံး AUC တန်ဖိုးကိုညွှန်ပြသည့် အမြင့်ဆုံးအမှတ်သို့ရောက်ရှိပါက၊ တွက်ချက်မှုလုပ်ငန်းစဉ်ရပ်တန့်သွားပြီး ပုံစံကို အကောင်းဆုံးကိုယ်စားလှယ်လောင်းအဖြစ် သတ်မှတ်သည်။ ၁ နှစ်၊ ၃ နှစ်နှင့် ၅ နှစ် ROC curve ပုံစံများကို တည်ဆောက်ခဲ့သည်။ ရောဂါရှာဖွေခြင်းအန္တရာယ်ပုံစံ၏ လွတ်လပ်သောခန့်မှန်းစွမ်းဆောင်ရည်ကို စစ်ဆေးရန် Univariate နှင့် multivariate regression analysis များကို အသုံးပြုခဲ့သည်။
XCELL၊ TIMER၊ QUANTISEQ၊ MCPCOUNTER၊ EPIC၊ CIBERSORT-ABS နှင့် CIBERSORT အပါအဝင် ကိုယ်ခံအားဆဲလ်စိမ့်ဝင်မှုနှုန်းကို လေ့လာရန် ကိရိယာခုနစ်ခုကို အသုံးပြုပါ။ ကိုယ်ခံအားဆဲလ်စိမ့်ဝင်မှုနှုန်းဒေတာကို TIMER2 ဒေတာဘေ့စ် (http://timer.comp-genomics.org/#tab-5817-3) မှ ဒေါင်းလုဒ်လုပ်ခဲ့သည်။ တည်ဆောက်ထားသော မော်ဒယ်၏ အန္တရာယ်မြင့်မားသောအုပ်စုနှင့် အန္တရာယ်နည်းသောအုပ်စုများအကြား ကိုယ်ခံအားစိမ့်ဝင်ဆဲလ်များ၏ ပါဝင်မှုကွာခြားချက်ကို Wilcoxon signed-rank စမ်းသပ်မှုကို အသုံးပြု၍ ခွဲခြမ်းစိတ်ဖြာခဲ့ပြီး ရလဒ်များကို စတုရန်းဂရပ်တွင် ပြသထားသည်။ အန္တရာယ်ရမှတ်တန်ဖိုးများနှင့် ကိုယ်ခံအားစိမ့်ဝင်ဆဲလ်များအကြား ဆက်နွယ်မှုကို ခွဲခြမ်းစိတ်ဖြာရန် Spearman correlation analysis ကို ပြုလုပ်ခဲ့သည်။ ရရှိလာသော correlation coefficient ကို lollipop အဖြစ်ပြသထားသည်။ significance threshold ကို p < 0.05 တွင် သတ်မှတ်ထားသည်။ လုပ်ထုံးလုပ်နည်းကို R package ggplot2 ကို အသုံးပြု၍ လုပ်ဆောင်ခဲ့သည်။ ကိုယ်ခံအားဆဲလ်စိမ့်ဝင်မှုနှုန်းနှင့် ဆက်စပ်နေသော မော်ဒယ်နှင့် မျိုးဗီဇဖော်ပြမှုအဆင့်များအကြား ဆက်နွယ်မှုကို စစ်ဆေးရန်အတွက် ggstatsplot package နှင့် violin plot visualization ကို ပြုလုပ်ခဲ့သည်။
ပန်ကရိယကင်ဆာအတွက် လက်တွေ့ကုသမှုပုံစံများကို အကဲဖြတ်ရန်အတွက်၊ TCGA-PAAD cohort တွင် အသုံးများသော ကီမိုဆေးဝါးများ၏ IC50 ကို ကျွန်ုပ်တို့ တွက်ချက်ခဲ့ပါသည်။ အန္တရာယ်မြင့်မားသောအုပ်စုနှင့် အန္တရာယ်နည်းသောအုပ်စုများအကြား တစ်ဝက်တားဆီးနိုင်သော ပြင်းအား (IC50) ကွာခြားချက်များကို Wilcoxon signed-rank စမ်းသပ်မှုကို အသုံးပြု၍ နှိုင်းယှဉ်ခဲ့ပြီး ရလဒ်များကို pRRophetic နှင့် R ရှိ ggplot2 ကို အသုံးပြု၍ ထုတ်ပေးသော boxplots အဖြစ် ပြသထားသည်။ နည်းလမ်းအားလုံးသည် သက်ဆိုင်ရာလမ်းညွှန်ချက်များနှင့် စံနှုန်းများနှင့် ကိုက်ညီပါသည်။
ကျွန်ုပ်တို့၏လေ့လာမှု၏ လုပ်ငန်းစဉ်ကို ပုံ ၁ တွင်ပြသထားသည်။ lncRNA များနှင့် ကိုယ်ခံအားနှင့်ဆက်စပ်သော မျိုးဗီဇများအကြား ဆက်စပ်မှုခွဲခြမ်းစိတ်ဖြာမှုကို အသုံးပြု၍ p < 0.01 နှင့် r > 0.4 ရှိသော irlncRNA ၇၂၄ ခုကို ရွေးချယ်ခဲ့သည်။ ထို့နောက် GEPIA2 ၏ ကွဲပြားစွာဖော်ပြသော lncRNA များကို ကျွန်ုပ်တို့ ခွဲခြမ်းစိတ်ဖြာခဲ့သည် (ပုံ ၂A)။ DEirlncRNAs ဟု အမည်ပေးထားသော irlncRNA စုစုပေါင်း ၂၂၃ ခုသည် ပန်ကရိယ adenocarcinoma နှင့် ပုံမှန်ပန်ကရိယတစ်ရှူး (|logFC| > 1, FDR < 0.05) အကြားတွင် ကွဲပြားစွာဖော်ပြခဲ့သည်။
ခန့်မှန်းအန္တရာယ်ပုံစံများ တည်ဆောက်ခြင်း။ (က) ကွဲပြားစွာဖော်ပြသော lncRNA များ၏ မီးတောင်ပုံ။ (ခ) DEirlncRNA အတွဲ ၂၀ အတွက် lasso coefficient များ၏ ဖြန့်ဖြူးမှု။ (ဂ) LASSO coefficient ဖြန့်ဖြူးမှု၏ တစ်စိတ်တစ်ပိုင်းဖြစ်နိုင်ခြေကွဲလွဲမှု။ (ဃ) DEirlncRNA အတွဲ ၂၀ ၏ univariate regression ခွဲခြမ်းစိတ်ဖြာမှုကိုပြသသည့် Forest plot။
ထို့နောက် ကျွန်ုပ်တို့သည် DEirlncRNA ၂၂၃ ခုကို တွဲဖက်ခြင်းဖြင့် 0 သို့မဟုတ် 1 matrix တစ်ခုကို တည်ဆောက်ခဲ့ပါသည်။ DEirlncRNA အတွဲပေါင်း ၁၃,၆၈၇ တွဲကို ဖော်ထုတ်နိုင်ခဲ့ပါသည်။ univariate နှင့် lasso regression analysis ပြီးနောက်၊ DEirlncRNA အတွဲ ၂၀ ကို prognostic risk model တစ်ခုတည်ဆောက်ရန် နောက်ဆုံးတွင် စမ်းသပ်ခဲ့ပါသည် (ပုံ ၂B-D)။ Lasso နှင့် multiple regression analysis ၏ ရလဒ်များအပေါ် အခြေခံ၍ TCGA-PAAD cohort ရှိ လူနာတစ်ဦးချင်းစီအတွက် risk score ကို တွက်ချက်ခဲ့ပါသည် (ဇယား ၁)။ lasso regression analysis ၏ ရလဒ်များအပေါ် အခြေခံ၍ TCGA-PAAD cohort ရှိ လူနာတစ်ဦးချင်းစီအတွက် risk score ကို တွက်ချက်ခဲ့ပါသည်။ ROC curve ၏ AUC သည် ၁ နှစ် risk model ခန့်မှန်းချက်အတွက် ၀.၉၀၅၊ ၂ နှစ် ခန့်မှန်းချက်အတွက် ၀.၉၄၂ နှင့် ၃ နှစ် ခန့်မှန်းချက်အတွက် ၀.၉၆၆ ဖြစ်သည် (ပုံ ၃A-B)။ ကျွန်ုပ်တို့သည် အကောင်းဆုံး cutoff တန်ဖိုးကို 3.105 သတ်မှတ်ခဲ့ပြီး TCGA-PAAD cohort လူနာများကို အန္တရာယ်မြင့်မားသောအုပ်စုနှင့် အန္တရာယ်နည်းသောအုပ်စုများအဖြစ် အလွှာလိုက်ခွဲခြားခဲ့ပြီး လူနာတစ်ဦးချင်းစီအတွက် ရှင်သန်မှုရလဒ်များနှင့် အန္တရာယ်ရမှတ်ဖြန့်ဖြူးမှုများကို ရေးဆွဲခဲ့သည် (ပုံ 3C-E)။ Kaplan-Meier ခွဲခြမ်းစိတ်ဖြာမှုအရ အန္တရာယ်မြင့်မားသောအုပ်စုရှိ PAAD လူနာများ၏ ရှင်သန်မှုသည် အန္တရာယ်နည်းသောအုပ်စုရှိ လူနာများထက် သိသိသာသာနိမ့်ကျကြောင်း ပြသခဲ့သည် (p < 0.001) (ပုံ 3F)။
ရောဂါခန့်မှန်းချက်အန္တရာယ်ပုံစံများ၏ တရားဝင်မှု။ (က) ရောဂါခန့်မှန်းချက်အန္တရာယ်ပုံစံ၏ ROC။ (ခ) ၁ နှစ်၊ ၂ နှစ်နှင့် ၃ နှစ် ROC ရောဂါခန့်မှန်းချက်အန္တရာယ်ပုံစံများ။ (ဂ) ရောဂါခန့်မှန်းချက်အန္တရာယ်ပုံစံ၏ ROC။ အကောင်းဆုံးဖြတ်တောက်သည့်အမှတ်ကိုပြသည်။ (DE) ရှင်သန်မှုအခြေအနေဖြန့်ဖြူးမှု (D) နှင့် အန္တရာယ်ရမှတ်များ (E)။ (စ) အန္တရာယ်များသောနှင့် အန္တရာယ်နည်းသောအုပ်စုများတွင် PAAD လူနာများ၏ Kaplan-Meier ခွဲခြမ်းစိတ်ဖြာမှု။
ကျွန်ုပ်တို့သည် လက်တွေ့လက္ခဏာများအလိုက် အန္တရာယ်ရမှတ်များ၏ ကွာခြားချက်များကို ထပ်မံအကဲဖြတ်ခဲ့ပါသည်။ strip plot (ပုံ 4A) သည် လက်တွေ့လက္ခဏာများနှင့် အန္တရာယ်ရမှတ်များအကြား အလုံးစုံဆက်နွယ်မှုကို ပြသထားသည်။ အထူးသဖြင့် အသက်ကြီးသောလူနာများတွင် အန္တရာယ်ရမှတ်များ ပိုမိုမြင့်မားသည် (ပုံ 4B)။ ထို့အပြင်၊ ဒုတိယအဆင့်ရှိသောလူနာများသည် ပထမအဆင့်ရှိသောလူနာများထက် အန္တရာယ်ရမှတ်များ ပိုမိုမြင့်မားသည် (ပုံ 4C)။ PAAD လူနာများတွင် အကျိတ်အဆင့်နှင့်ပတ်သက်၍ အဆင့် 3 လူနာများသည် အဆင့် 1 နှင့် 2 လူနာများထက် အန္တရာယ်ရမှတ်များ ပိုမိုမြင့်မားသည် (ပုံ 4D)။ ကျွန်ုပ်တို့သည် univariate နှင့် multivariate regression ခွဲခြမ်းစိတ်ဖြာမှုများကို ထပ်မံလုပ်ဆောင်ခဲ့ပြီး အန္တရာယ်ရမှတ် (p < 0.001) နှင့် အသက် (p = 0.045) သည် PAAD ရှိသောလူနာများတွင် သီးခြားခန့်မှန်းချက်အချက်များဖြစ်ကြောင်း ပြသခဲ့သည် (ပုံ 5A-B)။ ROC curve သည် PAAD ရှိသောလူနာများ၏ 1-၊ 2- နှင့် 3 နှစ်ရှင်သန်မှုကို ခန့်မှန်းရာတွင် အန္တရာယ်ရမှတ်သည် အခြားဆေးခန်းလက္ခဏာများထက် သာလွန်ကြောင်း ပြသခဲ့သည် (ပုံ 5C-E)။
ရောဂါခန့်မှန်းချက်ဆိုင်ရာ အန္တရာယ်မော်ဒယ်များ၏ ဆေးခန်းဆိုင်ရာ ဝိသေသလက္ခဏာများ။ Histogram (A) သည် TCGA-PAAD cohort ရှိ လူနာများ၏ (B) အသက်၊ (C) အကျိတ်အဆင့်၊ (D) အကျိတ်အဆင့်၊ အန္တရာယ်ရမှတ်နှင့် ကျား/မ တို့ကို ပြသထားသည်။ **p < 0.01
ရောဂါခန့်မှန်းချက်ဆိုင်ရာ အန္တရာယ်ပုံစံများ၏ လွတ်လပ်သော ခန့်မှန်းချက် ခွဲခြမ်းစိတ်ဖြာမှု။ (AB) ရောဂါခန့်မှန်းချက်ဆိုင်ရာ အန္တရာယ်ပုံစံများနှင့် လက်တွေ့လက္ခဏာများ၏ Univariate (A) နှင့် multivariate (B) regression ခွဲခြမ်းစိတ်ဖြာမှုများ။ (CE) ရောဂါခန့်မှန်းချက်ဆိုင်ရာ အန္တရာယ်ပုံစံများနှင့် လက်တွေ့လက္ခဏာများအတွက် ၁-၊ ၂- နှင့် ၃-နှစ် ROC
ထို့ကြောင့်၊ အချိန်နှင့် အန္တရာယ်ရမှတ်များအကြား ဆက်နွယ်မှုကို ကျွန်ုပ်တို့ စစ်ဆေးခဲ့ပါသည်။ PAAD လူနာများတွင် အန္တရာယ်ရမှတ်သည် CD8+ T ဆဲလ်များနှင့် NK ဆဲလ်များနှင့် ပြောင်းပြန်ဆက်စပ်နေကြောင်း ကျွန်ုပ်တို့ တွေ့ရှိခဲ့သည် (ပုံ 6A)၊ ၎င်းသည် အန္တရာယ်မြင့်မားသောအုပ်စုတွင် ကိုယ်ခံအားလုပ်ဆောင်ချက် ဖိနှိပ်ခံထားရကြောင်း ညွှန်ပြနေသည်။ အန္တရာယ်မြင့်မားသောအုပ်စုနှင့် အန္တရာယ်နည်းသောအုပ်စုများအကြား ကိုယ်ခံအားဆဲလ်စိမ့်ဝင်မှုကွာခြားချက်ကိုလည်း ကျွန်ုပ်တို့ အကဲဖြတ်ခဲ့ပြီး ရလဒ်တူညီကြောင်း တွေ့ရှိခဲ့သည် (ပုံ 7)။ အန္တရာယ်မြင့်မားသောအုပ်စုတွင် CD8+ T ဆဲလ်များနှင့် NK ဆဲလ်များ စိမ့်ဝင်မှုနည်းပါးခဲ့သည်။ မကြာသေးမီနှစ်များအတွင်း၊ ကိုယ်ခံအားစစ်ဆေးရေးဂိတ် inhibitors (ICIs) များကို အစိုင်အခဲအကျိတ်များကို ကုသရာတွင် ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုခဲ့ကြသည်။ သို့သော်၊ ပန်ကရိယကင်ဆာတွင် ICIs များအသုံးပြုမှုသည် အောင်မြင်ခဲသည်။ ထို့ကြောင့်၊ အန္တရာယ်မြင့်မားသောအုပ်စုနှင့် အန္တရာယ်နည်းသောအုပ်စုများတွင် ကိုယ်ခံအားစစ်ဆေးရေးဂိတ်မျိုးဗီဇများ၏ ဖော်ပြမှုကို ကျွန်ုပ်တို့ အကဲဖြတ်ခဲ့သည်။ အန္တရာယ်နည်းသောအုပ်စုတွင် CTLA-4 နှင့် CD161 (KLRB1) များသည် အလွန်အကျွံဖော်ပြသည်ကို ကျွန်ုပ်တို့ တွေ့ရှိခဲ့သည် (ပုံ 6B-G)၊ ၎င်းသည် အန္တရာယ်နည်းသောအုပ်စုရှိ PAAD လူနာများသည် ICI ကို ထိခိုက်လွယ်နိုင်ကြောင်း ညွှန်ပြသည်။
ရောဂါခန့်မှန်းချက်အန္တရာယ်ပုံစံနှင့် ကိုယ်ခံအားဆဲလ်စိမ့်ဝင်မှုတို့၏ ဆက်စပ်မှုခွဲခြမ်းစိတ်ဖြာမှု။ (က) ရောဂါခန့်မှန်းချက်အန္တရာယ်ပုံစံနှင့် ကိုယ်ခံအားဆဲလ်စိမ့်ဝင်မှုအကြား ဆက်စပ်မှု။ (BG) အန္တရာယ်မြင့်မားသောနှင့် အန္တရာယ်နည်းသောအုပ်စုများတွင် မျိုးဗီဇဖော်ပြမှုကို ညွှန်ပြသည်။ (HK) အန္တရာယ်မြင့်မားသောနှင့် အန္တရာယ်နည်းသောအုပ်စုများတွင် သီးခြားကင်ဆာဆေးများအတွက် IC50 တန်ဖိုးများ။ *p < 0.05၊ **p < 0.01၊ ns = အရေးမကြီးပါ။
TCGA-PAAD cohort တွင် အန္တရာယ်ရမှတ်များနှင့် အဖြစ်များသော ဓာတုကုထုံးဆေးဝါးများအကြား ဆက်စပ်မှုကို ကျွန်ုပ်တို့ ထပ်မံအကဲဖြတ်ခဲ့ပါသည်။ ပန်ကရိယကင်ဆာတွင် အသုံးများသော ကင်ဆာဆန့်ကျင်ဆေးများကို ရှာဖွေခဲ့ပြီး အန္တရာယ်မြင့်မားသောနှင့် အန္တရာယ်နည်းသောအုပ်စုများအကြား ၎င်းတို့၏ IC50 တန်ဖိုးများတွင် ကွာခြားချက်များကို ခွဲခြမ်းစိတ်ဖြာခဲ့ပါသည်။ ရလဒ်များအရ AZD.2281 (olaparib) ၏ IC50 တန်ဖိုးသည် အန္တရာယ်မြင့်မားသောအုပ်စုတွင် ပိုမိုမြင့်မားကြောင်း ပြသခဲ့ပြီး အန္တရာယ်မြင့်မားသောအုပ်စုရှိ PAAD လူနာများသည် AZD.2281 ကုသမှုကို ခံနိုင်ရည်ရှိနိုင်ကြောင်း ညွှန်ပြသည် (ပုံ 6H)။ ထို့အပြင် paclitaxel၊ sorafenib နှင့် erlotinib တို့၏ IC50 တန်ဖိုးများသည် အန္တရာယ်မြင့်မားသောအုပ်စုတွင် ပိုမိုနည်းပါးသည် (ပုံ 6I-K)။ အန္တရာယ်မြင့်မားသောအုပ်စုတွင် IC50 တန်ဖိုးများသော ကင်ဆာဆန့်ကျင်ဆေး ၃၄ မျိုးကို နှင့် အန္တရာယ်မြင့်မားသောအုပ်စုတွင် IC50 တန်ဖိုးများသော ကင်ဆာဆန့်ကျင်ဆေး ၃၄ မျိုးကို ကျွန်ုပ်တို့ ထပ်မံဖော်ထုတ်ခဲ့ပါသည် (ဇယား ၂)။
lncRNA၊ mRNA နှင့် miRNA များသည် ကျယ်ကျယ်ပြန့်ပြန့်တည်ရှိပြီး ကင်ဆာဖွံ့ဖြိုးတိုးတက်မှုတွင် အရေးပါသောအခန်းကဏ္ဍမှ ပါဝင်ကြောင်း ငြင်း၍မရပါ။ ကင်ဆာအမျိုးအစားများစွာတွင် အလုံးစုံရှင်သန်မှုကို ခန့်မှန်းရာတွင် mRNA သို့မဟုတ် miRNA ၏ အရေးကြီးသောအခန်းကဏ္ဍကို ထောက်ခံသည့် အထောက်အထားများစွာရှိပါသည်။ သံသယဖြစ်စရာမလိုဘဲ၊ ရောဂါခန့်မှန်းချက်အန္တရာယ်ပုံစံများစွာသည်လည်း lncRNA များအပေါ်အခြေခံထားသည်။ ဥပမာအားဖြင့်၊ Luo et al. လေ့လာမှုများအရ LINC01094 သည် PC ပွားများခြင်းနှင့် metastasis တွင် အဓိကအခန်းကဏ္ဍမှ ပါဝင်ကြောင်းနှင့် LINC01094 ၏ မြင့်မားသောဖော်ပြမှုသည် ပန်ကရိယကင်ဆာလူနာများ၏ ရှင်သန်မှုညံ့ဖျင်းမှုကို ညွှန်ပြသည် [16]။ Lin et al. မှတင်ပြသောလေ့လာမှုအရ lncRNA FLVCR1-AS1 လျော့နည်းသွားခြင်းသည် ပန်ကရိယကင်ဆာလူနာများတွင် ရောဂါခန့်မှန်းချက်ညံ့ဖျင်းခြင်းနှင့် ဆက်စပ်နေကြောင်း ပြသခဲ့သည် [17]။ သို့သော်၊ ကိုယ်ခံအားနှင့်ဆက်စပ်သော lncRNA များကို ကင်ဆာလူနာများ၏ အလုံးစုံရှင်သန်မှုကို ခန့်မှန်းရာတွင် ဆွေးနွေးမှုနည်းပါးပါသည်။ မကြာသေးမီက၊ ကင်ဆာလူနာများ၏ ရှင်သန်မှုကို ခန့်မှန်းရန်နှင့် ထို့ကြောင့် ကုသမှုနည်းလမ်းများကို ချိန်ညှိရန် ရောဂါခန့်မှန်းချက်အန္တရာယ်ပုံစံများတည်ဆောက်ခြင်းအပေါ် အလုပ်များစွာကို အာရုံစိုက်ခဲ့သည် [18၊ 19၊ 20]။ ကင်ဆာရောဂါစတင်ခြင်း၊ တိုးတက်ခြင်းနှင့် ဓာတုကုထုံးကဲ့သို့သော ကုသမှုများကို တုံ့ပြန်မှုတွင် ကိုယ်ခံအား စိမ့်ဝင်မှုများ၏ အရေးကြီးသော အခန်းကဏ္ဍကို တိုးပွားလာစေရန် အသိအမှတ်ပြုလာကြသည်။ လေ့လာမှုများစွာက အကျိတ်စိမ့်ဝင်သော ကိုယ်ခံအားဆဲလ်များသည် ဆိုက်တိုတောက်ဆစ် ဓာတုကုထုံးကို တုံ့ပြန်မှုတွင် အရေးပါသော အခန်းကဏ္ဍမှ ပါဝင်ကြောင်း အတည်ပြုခဲ့သည် [21၊ 22၊ 23]။ အကျိတ် ကိုယ်ခံအား အဏုဇီဝပတ်ဝန်းကျင်သည် အကျိတ်လူနာများ၏ ရှင်သန်မှုတွင် အရေးကြီးသောအချက်တစ်ချက်ဖြစ်သည် [24၊ 25]။ ကိုယ်ခံအားကုထုံး၊ အထူးသဖြင့် ICI ကုထုံးကို အစိုင်အခဲအကျိတ်များကုသရာတွင် ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုကြသည် [26]။ ကိုယ်ခံအားနှင့်ဆက်စပ်သော မျိုးဗီဇများကို ရောဂါခန့်မှန်းချက်အန္တရာယ်ပုံစံများတည်ဆောက်ရန် ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုကြသည်။ ဥပမာအားဖြင့်၊ Su et al. ကိုယ်ခံအားနှင့်ဆက်စပ်သော ရောဂါခန့်မှန်းချက်အန္တရာယ်ပုံစံသည် သားဥအိမ်ကင်ဆာလူနာများ၏ ရောဂါခန့်မှန်းချက်ကို ခန့်မှန်းရန် ပရိုတင်းကုဒ်လုပ်သည့် မျိုးဗီဇများကို အခြေခံထားသည် [27]။ lncRNA ကဲ့သို့သော မကုဒ်လုပ်သည့် မျိုးဗီဇများသည် ရောဂါခန့်မှန်းချက်အန္တရာယ်ပုံစံများတည်ဆောက်ရန်အတွက်လည်း သင့်လျော်သည် [28၊ 29၊ 30]။ Luo et al. သည် ကိုယ်ခံအားနှင့်ဆက်စပ်သော lncRNA လေးခုကို စမ်းသပ်ပြီး သားအိမ်ခေါင်းကင်ဆာအန္တရာယ်အတွက် ခန့်မှန်းပုံစံတစ်ခုတည်ဆောက်ခဲ့သည် [31]။ Khan et al. မတူညီသောဖော်ပြချက်ရှိသော မှတ်တမ်းစုစုပေါင်း ၃၂ ခုကို ဖော်ထုတ်ခဲ့ပြီး၊ ၎င်းအပေါ်အခြေခံ၍ သိသာထင်ရှားသော မှတ်တမ်း ၅ ခုပါသည့် ခန့်မှန်းမော်ဒယ်တစ်ခုကို ထူထောင်ခဲ့ပြီး၊ ကျောက်ကပ်အစားထိုးပြီးနောက် တစ်ရှူးဖြင့် သက်သေပြထားသော ရုတ်တရတ်ငြင်းပယ်မှုကို ခန့်မှန်းရန်အတွက် အထူးအကြံပြုထားသောကိရိယာတစ်ခုအဖြစ် အဆိုပြုခဲ့သည် [32]။
ဤမော်ဒယ်အများစုသည် ပရိုတင်းကုဒ်လုပ်သော မျိုးဗီဇများ သို့မဟုတ် ကုဒ်မရေးသော မျိုးဗီဇများ နှစ်မျိုးလုံးဖြစ်သည့် မျိုးဗီဇဖော်ပြမှုအဆင့်များကို အခြေခံထားသည်။ သို့သော်၊ တူညီသော မျိုးဗီဇတစ်ခုသည် မတူညီသော မျိုးဗီဇများ၊ အချက်အလက်ပုံစံများနှင့် မတူညီသော လူနာများတွင် မတူညီသော ဖော်ပြမှုတန်ဖိုးများရှိနိုင်ပြီး ခန့်မှန်းချက်မော်ဒယ်များတွင် မတည်မငြိမ်သော ခန့်မှန်းချက်များကို ဖြစ်ပေါ်စေသည်။ ဤလေ့လာမှုတွင်၊ ကျွန်ုပ်တို့သည် တိကျသော ဖော်ပြမှုတန်ဖိုးများနှင့် မသက်ဆိုင်ဘဲ lncRNA အတွဲနှစ်တွဲပါသည့် ကျိုးကြောင်းဆီလျော်သော မော်ဒယ်တစ်ခုကို တည်ဆောက်ခဲ့သည်။
ဤလေ့လာမှုတွင်၊ ကျွန်ုပ်တို့သည် ကိုယ်ခံအားနှင့်ဆက်စပ်သော မျိုးဗီဇများနှင့် ဆက်စပ်မှု ခွဲခြမ်းစိတ်ဖြာမှုမှတစ်ဆင့် irlncRNA ကို ပထမဆုံးအကြိမ်အဖြစ် ဖော်ထုတ်ခဲ့ပါသည်။ ကျွန်ုပ်တို့သည် ကွဲပြားစွာဖော်ပြသော lncRNA များနှင့် ရောနှောခြင်းဖြင့် DEirlncRNA ၂၂၃ ခုကို စစ်ဆေးခဲ့ပါသည်။ ဒုတိယအနေဖြင့်၊ ကျွန်ုပ်တို့သည် ထုတ်ဝေထားသော DEirlncRNA တွဲဖက်နည်းလမ်း [31] ကိုအခြေခံ၍ 0-or-1 matrix တစ်ခုကို တည်ဆောက်ခဲ့ပါသည်။ ထို့နောက် ကျွန်ုပ်တို့သည် ရောဂါရှာဖွေခြင်း DEirlncRNA အတွဲများကို ဖော်ထုတ်ရန်နှင့် ရောဂါခန့်မှန်းခြင်းဆိုင်ရာ အန္တရာယ်ပုံစံတစ်ခုကို တည်ဆောက်ရန် univariate နှင့် lasso regression ခွဲခြမ်းစိတ်ဖြာမှုများကို ပြုလုပ်ခဲ့ပါသည်။ PAAD ရှိသော လူနာများတွင် အန္တရာယ်ရမှတ်များနှင့် လက်တွေ့လက္ခဏာများအကြား ဆက်စပ်မှုကို ကျွန်ုပ်တို့ ထပ်မံခွဲခြမ်းစိတ်ဖြာခဲ့ပါသည်။ PAAD လူနာများတွင် လွတ်လပ်သော ရောဂါခန့်မှန်းချက်အချက်တစ်ခုအနေဖြင့် ကျွန်ုပ်တို့၏ ရောဂါရှာဖွေခြင်းဆိုင်ရာ အန္တရာယ်ပုံစံသည် အဆင့်မြင့်လူနာများနှင့် အဆင့်နိမ့်လူနာများနှင့် အဆင့်မြင့်လူနာများကို အဆင့်နိမ့်လူနာများနှင့် ထိရောက်စွာ ခွဲခြားနိုင်ကြောင်း ကျွန်ုပ်တို့ တွေ့ရှိခဲ့ပါသည်။ ထို့အပြင်၊ ရောဂါရှာဖွေခြင်းဆိုင်ရာ အန္တရာယ်ပုံစံ၏ ROC မျဉ်းကွေး၏ AUC တန်ဖိုးများသည် ၁ နှစ်ခန့်မှန်းချက်အတွက် 0.905၊ ၂ နှစ်ခန့်မှန်းချက်အတွက် 0.942 နှင့် ၃ နှစ်ခန့်မှန်းချက်အတွက် 0.966 ဖြစ်သည်။
သုတေသီများက CD8+ T ဆဲလ် စိမ့်ဝင်မှု မြင့်မားသော လူနာများသည် ICI ကုသမှုကို ပိုမိုထိခိုက်လွယ်ကြောင်း ဖော်ပြခဲ့ကြသည် [33]။ ကင်ဆာ ကိုယ်ခံစွမ်းအား အဏုကြည့်ပတ်ဝန်းကျင်တွင် ဆိုက်တိုတောက်ဆစ်ဆဲလ်များ၊ CD56 NK ဆဲလ်များ၊ NK ဆဲလ်များနှင့် CD8+ T ဆဲလ်များ ပါဝင်မှု မြင့်တက်လာခြင်းသည် ကင်ဆာ နှိမ်နင်းသည့် အကျိုးသက်ရောက်မှု၏ အကြောင်းရင်းများထဲမှ တစ်ခု ဖြစ်နိုင်သည် [34]။ ယခင်လေ့လာမှုများအရ ကင်ဆာ စိမ့်ဝင်နိုင်သော CD4(+) T နှင့် CD8(+) T အဆင့် မြင့်မားခြင်းသည် ရှင်သန်နိုင်ခြေ ပိုမိုကြာရှည်ခြင်းနှင့် သိသိသာသာ ဆက်စပ်နေကြောင်း ပြသခဲ့သည် [35]။ CD8 T ဆဲလ် စိမ့်ဝင်မှု ညံ့ဖျင်းခြင်း၊ neoantigen ဝန် နည်းပါးခြင်းနှင့် ကိုယ်ခံအား အလွန်အမင်း နှိမ်နင်းသည့် ကင်ဆာ ကိုယ်ခံစွမ်းအား အဏုကြည့်ပတ်ဝန်းကျင် မြင့်မားခြင်းတို့က ICI ကုထုံးကို တုံ့ပြန်မှု နည်းပါးစေသည် [36]။ အန္တရာယ်ရမှတ်သည် CD8+ T ဆဲလ်များနှင့် NK ဆဲလ်များနှင့် အနုတ်လက္ခဏာ ဆက်စပ်နေကြောင်း ကျွန်ုပ်တို့ တွေ့ရှိခဲ့ပြီး၊ အန္တရာယ်ရမှတ် မြင့်မားသော လူနာများသည် ICI ကုသမှုအတွက် မသင့်လျော်ဘဲ ရောဂါခန့်မှန်းချက် ပိုမိုဆိုးရွားနိုင်ကြောင်း ညွှန်ပြသည်။
CD161 သည် သဘာဝသတ်ဖြတ်သူ (NK) ဆဲလ်များ၏ အမှတ်အသားတစ်ခုဖြစ်သည်။ CD8+CD161+ CAR-transduced T ဆဲလ်များသည် HER2+ ပန်ကရိယ ductal adenocarcinoma xenograft မော်ဒယ်များတွင် မြှင့်တင်ထားသော in vivo antitumor ထိရောက်မှုကို ကြားခံဆောင်ရွက်ပေးသည် [37]။ ကိုယ်ခံအားစစ်ဆေးရေးဂိတ် inhibitors များသည် cytotoxic T lymphocyte associated protein 4 (CTLA-4) နှင့် programmed cell death protein 1 (PD-1)/programmed cell death ligand 1 (PD-L1) လမ်းကြောင်းများကို ပစ်မှတ်ထားပြီး နယ်ပယ်များစွာတွင် အလားအလာကောင်းများရှိသည်။ CTLA-4 နှင့် CD161 (KLRB1) ၏ ဖော်ပြမှုသည် အန္တရာယ်များသောအုပ်စုများတွင် နည်းပါးပြီး အန္တရာယ်များသောရမှတ်များရှိသော လူနာများသည် ICI ကုသမှုအတွက် အရည်အချင်းမပြည့်မီနိုင်ကြောင်း ထပ်မံညွှန်ပြနေသည်။ [38]
အန္တရာယ်များသောလူနာများအတွက် သင့်လျော်သောကုသမှုရွေးချယ်စရာများကိုရှာဖွေရန်အတွက်၊ ကျွန်ုပ်တို့သည် ကင်ဆာဆန့်ကျင်ဆေးအမျိုးမျိုးကို ခွဲခြမ်းစိတ်ဖြာခဲ့ပြီး PAAD ရှိသောလူနာများတွင် ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုကြသော paclitaxel၊ sorafenib နှင့် erlotinib တို့သည် PAAD ရှိသောအန္တရာယ်များသောလူနာများအတွက် သင့်လျော်နိုင်ကြောင်း တွေ့ရှိခဲ့သည်။ [33]။ Zhang နှင့်အဖွဲ့သည် မည်သည့် DNA ပျက်စီးမှုတုံ့ပြန်မှု (DDR) လမ်းကြောင်းတွင်မဆို မျိုးရိုးဗီဇပြောင်းလဲမှုများသည် ဆီးကျိတ်ကင်ဆာလူနာများတွင် ရောဂါခန့်မှန်းချက်ညံ့ဖျင်းခြင်းကို ဖြစ်စေနိုင်ကြောင်း တွေ့ရှိခဲ့သည် [39]။ Pancreatic Cancer Olaparib Ongoing (POLO) စမ်းသပ်မှုအရ olaparib ဖြင့် ထိန်းသိမ်းကုသမှုသည် pancreatic ductal adenocarcinoma နှင့် germline BRCA1/2 မျိုးရိုးဗီဇပြောင်းလဲမှုရှိသော လူနာများတွင် first-line platinum-based chemotherapy ပြီးနောက် placebo နှင့်နှိုင်းယှဉ်ပါက progression-free survival ကို ကြာရှည်စေကြောင်းပြသခဲ့သည် [40]။ ၎င်းသည် ဤလူနာအုပ်စုခွဲတွင် ကုသမှုရလဒ်များ သိသိသာသာတိုးတက်လာမည်ဟူသော မျှော်လင့်ချက်များစွာကို ပေးစွမ်းသည်။ ဤလေ့လာမှုတွင် AZD.2281 (olaparib) ၏ IC50 တန်ဖိုးသည် အန္တရာယ်များသောအုပ်စုတွင် ပိုမိုမြင့်မားပြီး အန္တရာယ်များသောအုပ်စုရှိ PAAD လူနာများသည် AZD.2281 ဖြင့် ကုသမှုကို ခံနိုင်ရည်ရှိနိုင်ကြောင်း ညွှန်ပြသည်။
ဤလေ့လာမှုတွင်ပါရှိသော ခန့်မှန်းချက်ပုံစံများသည် ကောင်းမွန်သော ခန့်မှန်းချက်ရလဒ်များကို ထုတ်ပေးသော်လည်း ၎င်းတို့သည် ခွဲခြမ်းစိတ်ဖြာခန့်မှန်းချက်များအပေါ် အခြေခံထားသည်။ ဤရလဒ်များကို ဆေးခန်းဒေတာဖြင့် မည်သို့အတည်ပြုရမည်ဆိုသည်မှာ အရေးကြီးသောမေးခွန်းတစ်ခုဖြစ်သည်။ Endoscopic fine needle aspiration ultrasonography (EUS-FNA) သည် 85% ၏ sensitivity နှင့် 98% ၏ specificity ရှိသော အစိုင်အခဲနှင့် ပန်ကရိယပြင်ပ အနာများကို ရောဂါရှာဖွေရန်အတွက် မရှိမဖြစ်လိုအပ်သော နည်းလမ်းတစ်ခု ဖြစ်လာခဲ့သည် [41]။ EUS fine-needle biopsy (EUS-FNB) အပ်များ ပေါ်ပေါက်လာခြင်းသည် FNA ထက် ပိုမိုမြင့်မားသော ရောဂါရှာဖွေတိကျမှု၊ တစ်ရှူးဖွဲ့စည်းပုံကို ထိန်းသိမ်းသော နမူနာများရယူခြင်းနှင့် ရောဂါရှာဖွေမှုအချို့အတွက် အရေးကြီးသော ကိုယ်ခံအားတစ်ရှူးများကို ထုတ်လုပ်ခြင်းကဲ့သို့သော အားသာချက်များအပေါ် အဓိကအခြေခံသည်။ [42]။ စာပေများကို စနစ်တကျ ပြန်လည်သုံးသပ်ချက်တစ်ခုအရ FNB အပ်များ (အထူးသဖြင့် 22G) သည် ပန်ကရိယအစုအဝေးများမှ တစ်ရှူးများကို စုဆောင်းရာတွင် အမြင့်ဆုံးထိရောက်မှုကို ပြသကြောင်း အတည်ပြုခဲ့သည် [43]။ ဆေးခန်းအရ လူနာအနည်းငယ်သာ radical ခွဲစိတ်မှုအတွက် အရည်အချင်းပြည့်မီပြီး လူနာအများစုသည် ကနဦးရောဂါရှာဖွေချိန်တွင် ခွဲစိတ်၍မရသော အကျိတ်များရှိသည်။ လက်တွေ့လက်တွေ့တွင် လူနာအနည်းငယ်သာ အမြစ်ပြတ်ခွဲစိတ်မှုအတွက် သင့်လျော်ပါသည်၊ အဘယ်ကြောင့်ဆိုသော် လူနာအများစုသည် ကနဦးရောဂါရှာဖွေတွေ့ရှိချိန်တွင် ခွဲစိတ်၍မရသော အကျိတ်များရှိနေသောကြောင့်ဖြစ်သည်။ EUS-FNB နှင့် အခြားနည်းလမ်းများဖြင့် ရောဂါဗေဒဆိုင်ရာအတည်ပြုချက်ရရှိပြီးနောက်၊ ဓာတုကုထုံးကဲ့သို့သော စံသတ်မှတ်ထားသော ခွဲစိတ်မှုမဟုတ်သောကုသမှုကို ရွေးချယ်လေ့ရှိသည်။ ကျွန်ုပ်တို့၏ နောက်ဆက်တွဲသုတေသနအစီအစဉ်မှာ ခွဲစိတ်မှုနှင့် ခွဲစိတ်မှုမဟုတ်သော အုပ်စုများတွင် ဤလေ့လာမှု၏ ရောဂါခန့်မှန်းချက်ပုံစံကို နောက်ကြောင်းပြန်ခွဲခြမ်းစိတ်ဖြာမှုမှတစ်ဆင့် စမ်းသပ်ရန်ဖြစ်သည်။
အလုံးစုံသော် ကျွန်ုပ်တို့၏လေ့လာမှုသည် ပန်ကရိယကင်ဆာရှိသောလူနာများတွင် အလားအလာရှိသော ခန့်မှန်းချက်တန်ဖိုးကိုပြသသည့် irlncRNA တွဲဖက်အပေါ်အခြေခံ၍ ခန့်မှန်းခြေအန္တရာယ်ပုံစံအသစ်တစ်ခုကို ထူထောင်ခဲ့သည်။ ကျွန်ုပ်တို့၏ ခန့်မှန်းခြေအန္တရာယ်ပုံစံသည် ဆေးကုသမှုအတွက် သင့်လျော်သော PAAD ရှိသောလူနာများကို ခွဲခြားရန် ကူညီပေးနိုင်ပါသည်။
လက်ရှိလေ့လာမှုတွင် အသုံးပြုပြီး ခွဲခြမ်းစိတ်ဖြာထားသော အချက်အလက်အစုများကို သက်ဆိုင်ရာစာရေးသူထံမှ ကျိုးကြောင်းဆီလျော်သော တောင်းဆိုမှုဖြင့် ရရှိနိုင်ပါသည်။
Sui Wen, Gong X, Zhuang Y. COVID-19 ကပ်ရောဂါကာလအတွင်း အပျက်သဘောဆောင်သော စိတ်ခံစားမှုများကို စိတ်ခံစားမှုအရ ထိန်းညှိရာတွင် ကိုယ့်ကိုယ်ကိုယ် ထိရောက်စွာ ထိန်းချုပ်နိုင်မှု၏ ကြားဝင်ဆောင်ရွက်မှု အခန်းကဏ္ဍ- ဖြတ်ပိုင်းလေ့လာမှု။ Int J Ment Health Nurs [ဂျာနယ်ဆောင်းပါး]။ 2021 06/01/2021;30(3):759–71။
Sui Wen, Gong X, Qiao X, Zhang L, Cheng J, Dong J, et al. အထူးကြပ်မတ်ကုသဆောင်များတွင် အခြားရွေးချယ်စရာဆုံးဖြတ်ချက်ချခြင်းအပေါ် မိသားစုဝင်များ၏အမြင်များ- စနစ်တကျပြန်လည်သုံးသပ်ခြင်း။ INT J NURS STUD [မဂ္ဂဇင်းဆောင်းပါး; သုံးသပ်ချက်]။ 2023 01/01/2023;137:104391။
Vincent A, Herman J, Schulich R, Hruban RH, Goggins M. ပန်ကရိယကင်ဆာ။ Lancet။ [ဂျာနယ်ဆောင်းပါး; သုတေသနပံ့ပိုးမှု၊ NIH၊ ပြင်ပ; သုတေသနပံ့ပိုးမှု၊ အမေရိကန်ပြင်ပအစိုးရ; ပြန်လည်သုံးသပ်ချက်]။ 2011 08/13/2011;378(9791):607–20။
Ilic M, Ilic I. ပန်ကရိယကင်ဆာ၏ ကူးစက်ရောဂါဗေဒ။ ကမ္ဘာ့အစာအိမ်နှင့်အူလမ်းကြောင်းဆိုင်ရာရောဂါဗေဒဂျာနယ်။ [ဂျာနယ်ဆောင်းပါး၊ ပြန်လည်သုံးသပ်ချက်]။ ၂၀၁၆ ၁၁/၂၈/၂၀၁၆;၂၂(44):9694–705။
Liu X, Chen B, Chen J, Sun S. ပန်ကရိယကင်ဆာလူနာများတွင် ಒಟ್ಟಾರೆရှင်သန်နှုန်းကို ခန့်မှန်းရန်အတွက် tp53 နှင့်ဆက်စပ်သော nomogram အသစ်။ BMC Cancer [ဂျာနယ်ဆောင်းပါး]။ 2021 31-03-2021;21(1):335။
Xian X, Zhu X, Chen Y, Huang B, Xiang W. ဓာတုကုထုံးခံယူနေသော အူမကြီးကင်ဆာလူနာများတွင် ကင်ဆာနှင့်ဆက်စပ်သော မောပန်းနွမ်းနယ်မှုအပေါ် ဖြေရှင်းချက်ကိုအာရုံစိုက်သောကုထုံး၏ အကျိုးသက်ရောက်မှု- ကျပန်းထိန်းချုပ်ထားသော စမ်းသပ်မှုတစ်ခု။ ကင်ဆာသူနာပြု။ [ဂျာနယ်ဆောင်းပါး; ကျပန်းထိန်းချုပ်ထားသော စမ်းသပ်မှု; ဤလေ့လာမှုကို အမေရိကန်ပြည်ထောင်စုပြင်ပရှိ အစိုးရတစ်ခုက ပံ့ပိုးပေးထားသည်]။ 2022 05/01/2022;45(3):E663–73။
Zhang Cheng, Zheng Wen, Lu Y, Shan L, Xu Dong, Pan Y, et al. ခွဲစိတ်မှုမတိုင်မီ CEA အဆင့်ပုံမှန်ရှိသော လူနာများတွင် အူမကြီးကင်ဆာခွဲစိတ်မှုပြီးနောက် ရလဒ်ကို ခန့်မှန်းသည့် ခွဲစိတ်မှုအပြီး carcinoembryonic antigen (CEA အဆင့်များ)။ Center for Translational Cancer Research။ [ဂျာနယ်ဆောင်းပါး]။ 2020 01.01.2020;9(1):111–8။
Hong Wen, Liang Li, Gu Yu, Qi Zi, Qiu Hua, Yang X, et al. ကိုယ်ခံအားနှင့်ဆက်စပ်သော lncRNA များသည် ထူးခြားသောလက္ခဏာများကိုထုတ်ပေးပြီး လူ့အသည်းကင်ဆာ၏ ကိုယ်ခံအားရှုခင်းကို ခန့်မှန်းသည်။ Mol Ther Nucleic acids [ဂျာနယ်ဆောင်းပါး]။ ၂၀၂၀ ၂၀၂၀-၁၂-၀၄;၂၂:၉၃၇ – ၄၇။
Toffey RJ, Zhu Y., Schulich RD ပန်ကရိယကင်ဆာအတွက် ကိုယ်ခံစွမ်းအားကုထုံး- အတားအဆီးများနှင့် အောင်မြင်မှုများ။ Ann အစာအိမ်နှင့်အူလမ်းကြောင်းခွဲစိတ်ဆရာဝန် [ဂျာနယ်ဆောင်းပါး; ပြန်လည်သုံးသပ်ချက်]။ 2018 07/01/2018;2(4):274–81။
Hull R, Mbita Z, Dlamini Z။ ရှည်လျားသော non-coding RNA များ (LncRNA)၊ ဗိုင်းရပ်စ်အကျိတ်မျိုးရိုးဗီဇများနှင့် မူမမှန် splicing ဖြစ်ရပ်များ- ကုထုံးဆိုင်ရာ သက်ရောက်မှုများ။ 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-သားအိမ်အတွင်းဆုံးအလွှာကင်ဆာရောဂါခန့်မှန်းချက်နှင့်ဆက်စပ်နေသော lncRNA လက်မှတ်များကိုဖော်ထုတ်ခြင်း။ သိပ္ပံပညာ၏အောင်မြင်မှုများ [မဂ္ဂဇင်းဆောင်းပါး]။ ၂၀၂၁ 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 protein prognostic genes များနှင့် ဆေးဝါးကိုယ်စားလှယ်လောင်းများ၏ ပြည့်စုံသော ခွဲခြမ်းစိတ်ဖြာမှု။ pregen။ [ဂျာနယ်ဆောင်းပါး]။ 2021 01/20/2021;12:627508။
Li X, Chen J, Yu Q, Huang X, Liu Z, Wang X, et al. autophagy နှင့်ဆက်စပ်သော long non-coding RNA ၏ ဝိသေသလက္ခဏာများသည် ရင်သားကင်ဆာရောဂါဖြစ်ပွားမှုကို ခန့်မှန်းသည်။ pregen။ [ဂျာနယ်ဆောင်းပါး]။ 2021 01/20/2021;12:569318။
Zhou M, Zhang Z, Zhao X, Bao S, Cheng L, Sun J. ကိုယ်ခံအားနှင့်ဆက်စပ်သော lncRNA လက်မှတ်ခြောက်ခုသည် glioblastoma multiforme တွင် ရောဂါခန့်မှန်းချက်ကို တိုးတက်စေသည်။ MOL Neurobiology။ [ဂျာနယ်ဆောင်းပါး]။ 2018 01.05.2018;55(5):3684–97။
Wu B, Wang Q, Fei J, Bao Y, Wang X, Song Z, et al. ပန်ကရိယကင်ဆာဝေဒနာရှင်များ၏ ရှင်သန်နိုင်ခြေကို tri-lncRNA လက်မှတ်အသစ်တစ်ခုက ခန့်မှန်းပေးသည်။ ONKOL ၏ ကိုယ်စားလှယ်များ။ [ဂျာနယ်ဆောင်းပါး]။ ၂၀၁၈ ၁၂/၀၁/၂၀၁၈;၄၀(၆):၃၄၂၇–၃၇။
Luo C, Lin K, Hu C, Zhu X, Zhu J, Zhu Z. LINC01094 သည် LIN28B ဖော်ပြမှုနှင့် sponged miR-577 မှတစ်ဆင့် PI3K/AKT လမ်းကြောင်းကို ထိန်းညှိပေးခြင်းဖြင့် ပန်ကရိယကင်ဆာတိုးတက်မှုကို မြှင့်တင်ပေးသည်။ Mol Therapeutics – Nucleic acids။ 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. 2021;40(1).
Zhou X, Liu X, Zeng X, Wu D, Liu L. အသည်းကင်ဆာတွင် ಒಟ್ಟಾರೆရှင်သန်နိုင်ခြေကို ခန့်မှန်းသည့် မျိုးဗီဇ ၁၃ ခုကို ဖော်ထုတ်ခြင်း။ Biosci Rep [ဂျာနယ်ဆောင်းပါး]။ ၂၀၂၁ 04/09/2021။
ပို့စ်တင်ချိန်: ၂၀၂၃ ခုနှစ်၊ စက်တင်ဘာလ ၂၂ ရက်