第一部分:基于生物信息学分析乳腺癌中的表达及生物学功能的研究 第二部分:基于数据库分析乳腺腺样囊性癌的临床病理特征及其预后因素

来源 :北京协和医学院 | 被引量 : 0次 | 上传用户:surtacohen1
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
背景:乳腺癌是全球第二大癌症致死因素,局部复发和远处转移是主要致死原因。其中三阴乳腺癌(TNBC)亚型组织学分级高、分期晚、远处转移率高、淋巴细胞浸润密度高,属于侵袭力最强、预后最差的亚型。OTUD6B是卵巢肿瘤相关蛋白酶(OTU)家族成员之一,参与了包括蛋白质特异性降解、信号转导和蛋白定位等几乎所有的生理活动,与多种肿瘤的发生发展息息相关。在这项研究中,我们使用来自一组公共数据库的数据,全面分析了 OTUD6B在乳腺癌(BRCA)中的作用,其次结合OTUD6B的靶向底物叉头框3a(FOXO3a),探讨了二者在三阴性乳腺癌(TNBC)中的作用机制。方法:我们使用癌症基因组图谱(TCGA)数据和基因表达综合数据库(GEO)分析了 BRCA和BRCA亚组中OTUD6B的mRNA表达,并通过人类蛋白免疫组化表达数据库(HPA)的免疫组织化学染色证实结果。使用R软件包分析OTUD6B与乳腺癌分期的相关性,建立ROC诊断曲线、时间依赖性生存ROC曲线和列线图模型。cBioPortal和MethSurv用于分析乳腺癌中OTUD6B基因改变、突变和DNA甲基化,以及它们对预后的影响。TISIDB数据库结合R语言用于分析OTUD6B与免疫细胞浸润、免疫细胞生物标志物和免疫检查点的相关性。进行基因本体论(GO)分析和京都基因和基因组百科全书(KEGG)分析以研究OTUD6B基因的功能。此外,针对TNBC,首先来验证泛素化修饰是否参与TNBC细胞中FOXO3a的水平调控及OTU家族是否参与调控FOXO3a的水平。其次qPCR检测TNBC患者癌及癌旁组织OTUD6B表达水平,CCK-8及Transwell实验检测细胞增殖及迁移,免疫共沉淀实验来验证FOXO3a与OTUD6B的相互作用。结果:在23种癌症中发现了 OTUD6B的过表达。OTUD6B的过表达与乳腺癌中的分子分型,雌激素受体(ER)、孕激素受体(PR)及组织学类型显着相关,OTUD6B表达较高的患者预后较差。OTUD6B表达可以从正常组织中识别肿瘤(AUC=0.603)。1年、3年和5年生存ROC下的面积均高于0.5。OTUD6B基因改变率为13%,体细胞突变频率为0.1%。在14个DNA甲基化CpG位点中,有4个与BRCA的预后相关。KEGG通路富集分析揭示了OTUD6B在RNA的转运、细胞周期通路富集。OTUD6B的表达与乳腺癌中的17种免疫细胞呈现正相关或者负相关,和免疫检查点细胞毒性T淋巴细胞抗原4(CTLA4)和程序性细胞死亡蛋白配体1(PD-L1)呈正相关。在TNBC细胞中,OTUD6B可能是FOX03a的负调控因子,细胞功能实验结果表明:干扰OTUD6B显著抑制了 TNBC细胞的增殖及迁移。其次Western blot、qPCR及CoIP检测说明TNBC细胞中OTUD6B的过表达显著增强了FOXO3a的泛素化并下调了FOXO3a蛋白的水平,而对其mRNA水平无影响。鉴于MDM2在FOXO3a泛素化降解过程中具有重要作用,我们将MDM2作为候选研究对象。经Western blot实验发现OTUD6B过表达明显增强了 TNBC细胞中MDM2的蛋白水平,而对其mRNA水平无影响。通过免疫共沉淀实验发现OTUD6B能够与MDM2进行结合,并且抑制MDM2的泛素化降解。结论:总体而言,OTUD6B在乳腺癌中具有良好预后价值,可能参与乳腺癌的免疫调节,有希望成为乳腺癌潜在的治疗靶点。此外,在细胞学功能水平上,OTUD6B可能通过结合MDM2并对其进行去泛素化,稳定TNBC细胞内MDM2水平,进而增强MDM2对FOXO3a的泛素化降解,下调其稳定性和活性,进而促进三阴性乳腺癌发生和侵袭转移。背景:乳腺腺样囊性癌(adenoid cystic carcinoma,ACC)作为一种罕见类型的乳腺恶性肿瘤,肿瘤学行为尚不清楚。本研究回顾分析了乳腺ACC的临床表现、影像学特征及临床病理特征。探讨了乳腺ACC的预后相关因素且构建预后列线图,以便准确预测乳腺ACC患者的总生存期(overall survival,OS)。方法:基于监测、流行病学和结果(Surveillance,Epidemiology,and End Results,SEER)及中国医学科学院肿瘤医院的数据,我们筛选出病理诊断为乳腺腺样囊性癌420例患者的影像学特征、临床病理及治疗信息。将SEER数据库的患者按照7:3分为训练集(285例)和验证集(121例)。基于R软件,对比SEER数据库与本院数据库中患者的临床病理特征,在训练集中采用单因素及多因素Cox回归模型、评价预后影响因素,并进一步构建列线图预后模型。最后,在训练集和验证集中使用 C 指数、ROC 曲线(Receiver operating characteristic curve)和校准曲线、DCA曲线(Decision curve analysis)对列线图的效能及效益进行评价。结果:SEER数据库筛选出406例符合纳入标准的乳腺腺样囊性癌患者(训练集285例,验证集121例)。本院共14例患者纳入。本院数据提示乳腺腺样囊性癌最常见的临床表现是可触及的肿块(85.7%),所有本院患者的彩色多普勒超声和乳房X线摄影的影像学特征均无特异性。本院6例患者(42.9%)通过细针抽吸细胞学(FNAC)怀疑患为ACC,并通过术后组织学和免疫组织化学证实。SEER数据与中国医学科学院肿瘤医院数据对比,本医院的乳腺腺样囊性癌的保乳患者为4例(28.6%),它是低于SEER数据库乳腺腺样囊性癌保乳手术患者的例数273例(67.2%)。同时本院乳腺癌施行改良根治术比例4(28.6%)明显高于SEER数据库52(12.8%)。虽然Her-2状态及分子亚型在两个数据之间有统计学差异,可能是SEER数据库2010年前的占的比例较大造成。就Her-2而言,2010年前的患者的比例为227例(55.9%),明显高于Her-2阴性病例177例(43.6%)及阳性病例2例(0.5%)。通过单因素和多因素分析显示年龄、组织学分级、N分期3个指标均是乳腺腺样囊性癌OS的独立预后因素(P均<0.05)。基于上述这些独立预后因素构建列线图模型,列线图在训练集中的C-指数为0.738,验证集的C-指数为0.803。训练集预测3、5、10年总生存率的ROC曲线下面积分别为0.749、0782、0.80;验证集预测3、5、10年总生存率的ROC曲线下面积分别为0.780、0.833、0.779,提示该列线图具有良好的预后预测能力。同时,校准曲线提示列线图在训练集和验证集中均有较好的校准度。决策曲线发现该模型在临床净效益方面较其他因素获益明显。结论:(1).乳腺ACC不能简单概括为三阴性乳腺癌,因为它还包括少数激素受体阳性乳腺癌。(2).临床表现及影像学检查很难确定术前诊断,FNAC可能是诊断的有用工具。(3).中国医学科学院肿瘤医院的乳腺腺样囊性癌患者行保留乳房的乳腺癌切除术的比例低于SEER数据库中乳腺腺样囊性癌行保乳手术的比例。(4).基于年龄、组织学分级、N分期的独立预后因素构建的列线图模型可有效预测乳腺腺样囊性癌患者的总生存率,对于指导治疗和评估患者预后具有一定参考价值。
其他文献
<正>幼儿阶段接受的教育能影响人的一生,但教育不仅仅是知识教育,更是思维、体能、情感等全方位素质的培养。近年来人们广泛关注全面素质教育,许多专家学者和一线教职工共同探究新教育模式和教学内容。安吉游戏正是近年来的创新活动,强调把游戏的权利还给幼儿,让活动场地回归自然。如今不仅仅是中国,国外也有教育学家和地区进行实践尝试,引起一定反响。今后,安吉游戏的理念与安吉游戏的发展,将对幼儿园探寻适合的活动与适
期刊
为了充分发挥施工管理成效,提高工作效率,项目管理将通过运用互联网+BIM技术,建设数字化工地,推进管理升级。BIM协同应用管理平台依据项目特点,以安全、质量、进度为核心业务构建协同可视化应用管理平台,实现“业务管理数字化、建造过程智能化、信息展示可视化”,进而降低本项目施工协调难度,提升管理水平。
报纸
随着现代信息技术以及人们经济实力的不断提高,广大消费者越来越关注生活质量的优化升级,对智能化家电产品有着强烈的消费需求。近几年来,智能家居服务凭借着人工智能技术,实现了跨越式的发展,许多智能家居服务理念开始从研发阶段转化为产品进入到市场中,走进人们的日常生活之中。智能家居服务产品与智能工业生产在消费群体上以及使用环境存在着极大的差异,对于工业生产中的智能设备而言,智能家电服务产品设计研究就显得较少
以4.5 MW风电机组主轴固定端轴承为研究对象,基于ISO 281:2007标准和Palmgren-Miner线性损伤累积理论建立疲劳寿命理论计算模型,将其疲劳寿命计算结果与Romax仿真模型对比可知,ISO 281:2007标准修正算法及Romax仿真模型更接近实际工况。并分析了载荷、转速、润滑脂污染程度对固定端轴承疲劳寿命的影响,结果表明:轴承疲劳寿命随载荷增大快速下降,随转速增大先增大后减小
睡眠是一项对人体健康至关重要的生理活动。更加精准和全面地监测人们的睡眠状况对于医学研究和临床实践方面均有重大的研究意义。睡眠阶段分类是有效诊断和治疗睡眠相关疾病的关键步骤之一。随着深度学习技术的不断发展,使用计算机来认知并处理信号的场景越来越多,诸多智能化、自动化的生理信号识别方法被提出。为了利用计算机的辅助诊疗功能提升医师的工作效率,本文基于深度学习技术对自动化睡眠分期任务展开了研究。具体工作如
睡眠分期是诊断和治疗睡眠相关疾病的基础,是睡眠状态监测的一个重要手段。传统的睡眠分期方法是由医生按照睡眠分期准则对多导睡眠图上的生理数据进行手动打标和睡眠阶段判别,该方法对医生的临床经验要求较高,耗时费力。现有的自动睡眠分期方法大多是利用原始信号的时域和频域特征来进行睡眠分期,该方法需要一定的先验知识,且存在需提取特征量大,分类准确率不高等缺点。此外,现有的睡眠分期算法研究大多是基于单模态的脑电信
目的 探讨妊娠期糖尿病(GDM)表达差异基因的功能及信号通路生物信息学分析。方法 从GEO数据库下载基因芯片数据(GSE65737,GSE70493和GSE92772),用R语言软件Limma包,以P<0.05,|Log10FC|≥1或≥2标准筛选差异显著基因,并用ggplot包绘制图。应用基因本体论(GO)和京都基因与基因组百科全书(KEGG)进行差异基因功能分析,并使用Cytoscape进行文
传统凭借人工逐帧识别脑电信号来判断睡眠时期的方法耗费大量时间,效率低下;基于采集到的头部脑电信号引入模式识别的方法来完成自动分期的任务。利用小波阈值滤波对脑电信号进行预处理。采用小波包分解提取出每帧数据中四种节律波并计算相应节律波能量值,以此作为分类特征。为了更好地适应非线性问题,还要提取非线性特征,计算每帧数据的排列熵和样本熵。划分出70%的数据作为训练集用于支持向量机的多分类器模型的分类训练,