ส่วนที่ Ⅱ ความเข้าใจเกี่ยวกับเมตาบอลิซึมของความผิดปกติทางพันธุกรรมในสภาพแวดล้อมจุลภาคของเนื้องอกของไต ไต เซลล์มะเร็งล้างไต

ผลลัพธ์

1. การระบุยีนเมแทบอลิซึมที่แสดงออกแตกต่างกันใน KIRC

ในการสำรวจความผิดปกติของการเผาผลาญใน KIRC เราได้สำรวจข้อมูล TCGA ที่มีอยู่เพื่อรับข้อมูลเชิงลึกเกี่ยวกับการบำบัดที่กำหนดเป้าหมายการเผาผลาญในคลินิก เพื่อจุดประสงค์นี้ เราเลือกชุดของยีนเมตาบอลิซึม 1,916 ชุดที่ตัดจากชุดข้อมูลที่แตกต่างกันสองชุด [16, 17] และคัดแยกยีนที่แสดงออกแตกต่างกัน 1,100 ยีนในเนื้องอกเทียบกับเนื้อเยื่อปกติ (ตารางเสริม 2) ยีนเมตาบอลิซึมที่แสดงออกแตกต่างกันเหล่านี้ถูกลงจุดในภูเขาไฟและแผนที่ความร้อน (รูปที่ 1(a) และ 1(b)) จากยีนเมตาบอลิซึมที่แสดงออกแตกต่างกัน 1100 ยีน 78 ยีนถูกควบคุมและ 163 ยีนถูกลดการควบคุม นอกจากนี้ยังมียีน 859 ยีนที่ไม่มีการเปลี่ยนแปลง แผนที่ความร้อนแสดงถึงดัชนีการแสดงออกของแต่ละยีนของยีนเมตาบอลิซึมที่แตกต่างกันในเนื้องอกและตัวอย่างปกติ (รูปที่ 1(b)) ต่อไป เราระบุยีนเมตาบอลิซึมที่แสดงออกแตกต่างกัน 10 อันดับแรก; ในหมู่พวกเขา ENPP3, NNMT, CYP2J2, SCD และ HK2 ถูกควบคุมและ HSD11B2, HMGCS2, HPD, HS6ST2 และ ALDOB ถูกลดการควบคุม พล็อตกล่องของ DEmG เหล่านี้แสดงในรูปที่ 1(c) ในบรรดายีนที่มีการควบคุม ENPP3 นั้น ~7-พับ แสดงออกในเนื้องอก อีกทางหนึ่ง ยีน ALDOB จะถูกลดการควบคุม ~5-fold ในตัวอย่างเนื้องอกที่วิเคราะห์

นอกจากนี้ เรายังประเมินเส้นทาง KEGG และการวิเคราะห์ GO ของ DEmG การวิเคราะห์ทางเดินของ KEGG เปิดเผยว่ายีนที่ควบคุมนั้นได้รับการเสริมคุณค่าอย่างมีนัยสำคัญในเมตาบอลิซึมของคาร์บอน การส่งสัญญาณ HIF1 และไกลโคไลซิส/กลูโคโนเจเนซิสด้วยอัตราส่วนของยีนที่สูงขึ้น (จำนวนยีน 8-9 ในแต่ละเส้นทาง) (รูปที่ 1(d)) ในทำนองเดียวกัน ในบรรดา DEmGs ที่ลดการควบคุม เราพบว่าเมตาบอลิซึมของคาร์บอนและการย่อยสลายของวาลีน ลิวซีน และไอโซลิวซีนเป็นวิถีทางอันดับต้นที่ได้รับผลกระทบจากยีนที่ใช้งานเมตาบอลิซึม (รูปที่ 1(e)) เส้นทางที่เกี่ยวข้องกับ peroxisome organelle ยังได้รับการเสริมคุณค่าอย่างมีนัยสำคัญในกลุ่มตัวอย่างเนื้องอกของยีน น่าสังเกต เมื่อเปรียบเทียบกับยีนที่ควบคุมแล้ว วิถีทางที่เกี่ยวข้องกับยีนที่ลดการควบคุมนั้นมีค่า p ที่มีนัยสำคัญสูงกว่า เป็นมูลค่าการกล่าวขวัญว่าเส้นทาง KEGG ส่วนใหญ่ที่อุดมด้วยประเภทยีนที่ควบคุมไม่ได้นั้นเกี่ยวข้องกับเมแทบอลิซึมของกรดอะมิโน เพื่อแยกส่วนเพิ่มเติมของการมีส่วนร่วมของ DEmG ในการเกิดเนื้องอก การวิเคราะห์การทำงานของ GO ของยีน upregulated และ downregulated ได้ดำเนินการ เราแบ่ง GO ontology ออกเป็นสามกลุ่ม subontology เชิงหน้าที่ ได้แก่ BP (กระบวนการทางชีวภาพ), CC (ส่วนประกอบของเซลล์) และ MF (การทำงานของโมเลกุล) (รูปที่ 1(f) และ 1(g)) นอกจากนี้ การวิเคราะห์ GSEA ยังเผยให้เห็นการเพิ่มขึ้นอย่างมีนัยสำคัญในการเพิ่มคุณค่ายีนที่เกี่ยวข้องกับ BENPORATH_MYC_TARGETS_ด้วย_EBOX ในเนื้องอก ในขณะที่ BROWN{{11} } ไมอีลอยด์_เซลล์_การพัฒนา_UP, KEGG_ALPHA_ LINOLENIC_กรด_เมตาบอลิซึม และ KEGG{ {19}}ETHER_ LIPID_พบว่า METABOLISM เสริมประสิทธิภาพในทางลบ ในขั้นต่อไป เราสร้างเครือข่าย PPI อันตรกิริยาระหว่างโปรตีนกับโปรตีนด้วย DEmG ที่มีการควบคุมขึ้นและลง ยีนจำนวนหนึ่งแสดงปฏิสัมพันธ์ซึ่งกันและกัน ผ่านการทำงานร่วมกันของยีนเหล่านี้ เราแยกฮับยีนได้ แต่ละโหนดแยกจากกันตามค่าระดับ นอกจากนี้ เราแยกยีนฮับ 7 อันดับแรกสำหรับ PPI นอกจากนี้เรายังสำรวจความสัมพันธ์ระหว่างการแสดงออกของยีนฮับและคุณสมบัติทางคลินิกของ KIRC ในชุดข้อมูล TCGA

คลิกที่นี่เพื่อทราบCistanche มีประโยชน์อย่างไร.

2. การวิเคราะห์เครือข่ายเผยให้เห็นการเปลี่ยนแปลงทางเมตาบอลิซึมขั้นพื้นฐานใน Ontology ของเนื้องอกต่างๆ

ถัดไป ข้อมูลการแสดงออกของ DEmG ถูกเลือกและใช้เป็นข้อมูลอินพุตสำหรับ WGCNA ซึ่งระบุโมดูลการแสดงออกร่วมที่แตกต่างกัน 6 โมดูลที่มีจำนวนยีนที่แตกต่างกันสำหรับแต่ละโมดูล (รูปที่ 2(a)) เราเชื่อมโยงยีนที่แตกต่างกับลักษณะภายนอกและระบุโมดูลที่เกี่ยวข้องอย่างมีนัยสำคัญกับลักษณะทางคลินิก (รูปที่ 2(b)) จากค่าสัมประสิทธิ์สหสัมพันธ์ เราพบว่าโมดูล MEturquoise มีความสัมพันธ์เชิงลบกับสถานะการอยู่รอด การวิเคราะห์การเพิ่มคุณค่าเส้นทาง GO และ KEGG ดำเนินการโดยใช้ยีนจากโมดูลเหล่านี้ (รูปที่ 2(c) และ 2(d)) วิถีทาง KEGG ที่สมบูรณ์ที่สุดคือการย่อยสลายวาลีน ลิวซีน และไอโซลิวซีน เมแทบอลิซึมของคาร์บอน เมแทบอลิซึมของโพรพาโนเอต เมแทบอลิซึมของกรดไขมัน การสลายตัวของกรดไขมัน เมแทบอลิซึมของเปอร์ออกซีโซมและบิวทาโนเอต เมแทบอลิซึมของไกลออกซีเลตและไดคาร์บอกซิเลต และเมแทบอลิซึมของทริปโตเฟน (รูปที่ 2(c)) ยีนที่เกี่ยวข้องกับคำศัพท์ BP ได้รับการเสริมคุณค่าอย่างเด่นชัดในกระบวนการโมเลกุลขนาดเล็ก กรดคาร์บอกซิลิก และกรดอินทรีย์ ยีนที่เกี่ยวข้องกับเงื่อนไข CC ส่วนใหญ่ได้รับการเสริมในเมทริกซ์ยล ยีนที่แสดงออกแตกต่างกันซึ่งเกี่ยวข้องกับ MF ส่วนใหญ่ได้รับการเสริมคุณค่าในการจับโคเอนไซม์ (รูปที่ 2(d)) นอกจากนี้ เราได้ทำการวิเคราะห์การอยู่รอดของยีน 8 ยีนในโมดูลการอยู่รอด ผู้ป่วยที่มีการแสดงออกของ ACADSB, PANK1, SLC25A4, PCCA, HADH, AUH, ACAT1 และ ALDH6A1 สูงกว่ามีอัตราการรอดชีวิตนานกว่าผู้ที่มีการแสดงออกของยีนเหล่านี้ต่ำกว่า (p=0) (รูปที่ 2(e)–2( ล.)).

3. การจัดกลุ่มผู้ป่วย KIRC

เราเลือก DEmG อันดับต้น ๆ สำหรับการวิเคราะห์คลัสเตอร์ ผู้ป่วย KIRC ถูกแบ่งออกเป็นสามกลุ่มตามการแสดงออกที่แตกต่างกันของยีนเมตาบอลิซึม รูปที่ 3(a) แสดงแผนที่ความร้อนของ DEmG ในผู้ป่วย KIRC ระดับสีระบุค่าการแสดงออก (สีฟ้าอ่อนบ่งชี้ค่าการแสดงออกที่ต่ำกว่า สีน้ำเงินเข้มบ่งชี้ค่าการแสดงออกของยีนที่สูงขึ้น)

เส้นโค้ง KM ถูกวางแผนเพื่อเปรียบเทียบการรอดชีวิตโดยรวมของทั้งสามกลุ่มสำหรับผู้ป่วย KIRC อัตราการรอดชีวิตโดยรวมแตกต่างกันอย่างมีนัยสำคัญในทั้งสามคลัสเตอร์ (p < {{0}}:01 รูปที่ 3(b)) คลัสเตอร์ 1 แสดงอัตราการรอดชีวิตที่แย่กว่าเมื่อเทียบกับคลัสเตอร์ 2 และคลัสเตอร์ 3 อัตราการรอดชีวิตของ PFS ยังแตกต่างกันอย่างมีนัยสำคัญระหว่าง 3 คลัสเตอร์ (p < 0:001, รูปที่ 3(c)) และคลัสเตอร์ 1 แสดงอัตราการรอดชีวิตของ PFS ที่แย่กว่าเมื่อเปรียบเทียบ กับคลัสเตอร์ 2 และคลัสเตอร์ 3

สีที่ต่างกันในแบบจำลองของเราแสดงถึงพารามิเตอร์ทางคลินิกและระยะทางพยาธิวิทยาพื้นฐาน (รูปที่ 3(d)) กลุ่มที่ 3 มีอัตราส่วน Mo ต่ำกว่าและค่า M1 สูงกว่าเมื่อเทียบกับกลุ่มที่ 1 และ 2 บ่งชี้ว่ามีการแพร่กระจายของมะเร็งสูงขึ้นและระยะลุกลามของเนื้องอกในกลุ่มที่ 3 มากกว่ากลุ่มที่ 1 และ 2 ในทำนองเดียวกัน ในกลุ่มที่ 3 มะเร็งได้แพร่กระจายไปยังต่อมน้ำเหลืองมากขึ้น (N1 สูงกว่า) เมื่อเปรียบเทียบกับกลุ่มที่ 1 และ 2 ผู้ป่วย KIRC ส่วนใหญ่ได้รับการวินิจฉัยในระยะที่ III และ IV (รูปที่ 3(e) และ 3(f)) ซึ่งบ่งชี้ว่าเนื้องอกมีขนาดใหญ่ขึ้นหรือขยายตัว เช่นเดียวกับการเคลื่อนผ่าน ระบบเลือดหรือน้ำเหลืองไปยังบริเวณที่ห่างไกลในร่างกาย

4. สถานะภูมิคุ้มกันของสามกลุ่ม

เราใช้อัลกอริธึม ESTIMATE เพื่อประเมินคะแนน stromal และภูมิคุ้มกันของชุดของเนื้อเยื่อ KIRC ตามโปรไฟล์การถอดรหัสการเผาผลาญ (รูปที่ 4 (a)) ต่อมาคะแนนเหล่านี้ถูกนำมาพิจารณาเพื่อพัฒนาลายเซ็นยีนเมตาบอลิซึมตามคะแนน stromal-immune สำหรับการแบ่งชั้นการพยากรณ์โรคใน KIRC ดังที่แสดงในรูปที่ 4(a) กลุ่มคลัสเตอร์สามกลุ่ม (C1, C2 และ C3) ถูกแบ่งชั้นในแผนภาพกล่องตามคะแนนภูมิต้านทานสโตรมัล ในบรรดาสามกลุ่ม C1 แสดงคะแนนที่มีนัยสำคัญสูงกว่าทั้งในการจำแนกประเภท stromal และภูมิคุ้มกัน

นอกจากนี้ CIBERSORT วิเคราะห์คลัสเตอร์สามกลุ่มด้วยค่า p < 0.1 (รูปที่ 4(b)) ความบริสุทธิ์ของเนื้องอก คะแนนภูมิคุ้มกัน และคะแนน stromal พร้อมกับระยะทางพยาธิวิทยาของ 3 กลุ่มจะแสดงที่ด้านบนของแผนที่ความร้อน ในการวิเคราะห์นี้ เราพบว่าเร็กกูเลเตอร์ทีเซลล์ (Tregs) อุดมไปด้วยคลัสเตอร์ C1 และผู้ป่วยใน C1 ส่วนใหญ่อยู่ที่ระยะพยาธิสภาพ III และ IV นอกจากนี้ เซลล์ NK ที่ถูกกระตุ้น, CD8 บวก T เซลล์, T เซลล์ตัวช่วยฟอลลิคูลาร์ และ M0 มาโครฟาจในคลัสเตอร์ C1; CD8 บวก T เซลล์และ T เซลล์ตัวช่วยฟอลลิคูลาร์ในคลัสเตอร์ C2; และแมสต์เซลล์พัก, แมคโครฟาจ M2, หน่วยความจำ CD4 ทีเซลล์พัก, โมโนไซต์, เซลล์ไร้เดียงสา B และแมคโครฟาจ M1 ในคลัสเตอร์ C3 ก็ถูกตรวจพบเช่นกัน (รูปที่ 4(b))

นอกเหนือจาก CIBERSORT แล้ว เราใช้แพ็คเกจอัลกอริทึมอื่นๆ เพื่อตรวจสอบสถานะของการแทรกซึมของภูมิคุ้มกัน แผนที่ความร้อนแบบลำดับชั้นของการวิเคราะห์ MCP แสดงในรูปที่ 4(c) การค้นพบที่สำคัญของการวิเคราะห์ MCP คือการแทรกซึมของนิวโทรฟิลและการแทรกซึมของเซลล์บุผนังหลอดเลือดในคลัสเตอร์ C3 ที่ขาดหายไปในคลัสเตอร์ C1 การวิเคราะห์นี้ยังเปิดเผยเซลล์ NK, สายเลือดโมโนไซติกและการแทรกซึมของเซลล์ไมอีลอยด์เดนไดรติกในคลัสเตอร์ C3 ประชากรเซลล์ภูมิคุ้มกันอื่น ๆ ถูกผสมในสามกลุ่มที่วิเคราะห์ (รูปที่ 4(c))

เพื่อเสริมการวิเคราะห์ CIBERSORT และ MCP เราได้ใช้ ssGSEA เพื่อวัดระดับการแทรกซึมสำหรับประเภทเซลล์ภูมิคุ้มกันที่ใช้ในแพ็คเกจ R GSVA ข้อมูลสามกลุ่มถูกป้อนไปยังแพ็คเกจ ssGSEA และได้รับความสมบูรณ์ของเซลล์และประเภทที่เกี่ยวข้องกับภูมิคุ้มกัน 28 ชนิดในตัวอย่าง KIRC ผลการวิจัยพบว่า C1 และ C2 มีการแทรกซึมของภูมิคุ้มกันมากกว่า เซลล์ภูมิคุ้มกันโดยกำเนิดบางเซลล์ รวมทั้ง NK นิวโทรฟิล และอีโอซิโนฟิล ถูกผสมกันใน 3 กลุ่ม (รูปที่ 4(d))

5. การสร้างและการตรวจสอบแบบจำลองการทำนายตาม DEmGs

สุดท้าย เราสร้างและตรวจสอบแบบจำลองการทำนายตามการแสดงออกที่แตกต่างกันของยีนเมตาบอลิซึม เราคำนวณคะแนนความเสี่ยงที่เกี่ยวข้องกับภูมิคุ้มกันของ DEmGs ตามอัตราการรอดชีวิตโดยรวม เพื่อจุดประสงค์นี้ เราได้วางแผนสองกลุ่มเพื่อประเมินความสัมพันธ์ของคะแนนความเสี่ยง อันหนึ่งสำหรับกลุ่มฝึกอบรม และอีกอันสำหรับกลุ่มทดสอบ เราพบว่าอัตราการรอดชีวิตโดยรวมอยู่ในระดับต่ำและกระจายอยู่ในคะแนนความเสี่ยง (รูปที่ 5(a) และ 5(b)) ต่อไป เรากำหนดผู้ป่วย KIRC ให้กับกลุ่มที่มีความเสี่ยงสูงและต่ำเพื่อรับการประเมินเพิ่มเติมตามคะแนนความเสี่ยงเฉลี่ย จากนั้นเราทำการวิเคราะห์การอยู่รอดของกลุ่มเสี่ยงทั้งสองกลุ่มในการฝึกอบรมและการทดสอบ ตามที่คาดไว้ พบว่ากลุ่มที่มีความเสี่ยงสูงมีอัตรารอดชีวิตต่ำเมื่อเทียบกับกลุ่มที่มีความเสี่ยงต่ำ (ภาพที่ 5(c) และ 5(d)) นอกจากนี้ยังทำการวิเคราะห์เส้นโค้ง ROC สำหรับการฝึกอบรมและการทดสอบ เราสังเกตคะแนน ROC ที่ 0.68 ที่ 5 ปีในกลุ่มการทดสอบ ซึ่งบ่งชี้ถึงประสิทธิภาพที่ดีในการทำนายการพยากรณ์โรคของ KIRC (รูปที่ 5(e) และ 5(f)) นอกจากการวิเคราะห์เส้นโค้ง ROC แล้ว เรายังดำเนินการแบบจำลองการถดถอยของ LASSO COX เพื่อตรวจสอบความถูกต้องของแบบจำลองการพยากรณ์ของเราตามที่ระบุโดยความเบี่ยงเบนของความน่าจะเป็นบางส่วน (รูปที่ 5(a) เพิ่มเติม) และค่าสัมประสิทธิ์การถดถอยของ DEmGs (รูปที่ 5(b) เพิ่มเติม) สุดท้าย ยีนห้าตัว (ABCG1, CRYL1, FDX1, PANK1 และ SLC44A) ถูกคาดการณ์ว่าเป็นปัจจัยพยากรณ์ที่มีศักยภาพด้วย HR <1 (รูปที่ 5(c) เพิ่มเติม)

6. กลไกพื้นฐานของความก้าวหน้าของ KIRC

ในการตรวจสอบเพิ่มเติมเกี่ยวกับกลไกพื้นฐานสำหรับความก้าวหน้าของ KIRC เราได้ทำการวิเคราะห์การแสดงออกที่แตกต่างกันระหว่างคลัสเตอร์ทั้งหมด และใช้แผนผังความร้อนเพื่อแสดงภาพผลลัพธ์ (รูปที่ 6(a)) ในการระบุเส้นทางการส่งสัญญาณของ DEmG เราได้ทำการวิเคราะห์การเพิ่มคุณค่า KEGG และ GO ของ DEG ในสามกลุ่ม กล่าวโดยย่อ ผลลัพธ์เหล่านี้เผยให้เห็นว่า DEG ของสามคลัสเตอร์นั้นส่วนใหญ่อุดมไปด้วยการยึดเกาะแบบโฟกัส เส้นทางการส่งสัญญาณ Foxo และเส้นทางการส่งสัญญาณ Apelin สำหรับคลัสเตอร์ C3 และการดูดกลืนแร่ธาตุ การสร้างกับดักนิวโทรฟิลนอกเซลล์ และการติดเชื้อสแตปฟิโลคอคคัส ออเรียสสำหรับคลัสเตอร์ C2 (รูปที่ 6) (ข)). นอกจากนี้ การวิเคราะห์การทำงานของ GO ของ DEG ยังเผยให้เห็นออนโทโลยีที่เกี่ยวข้องกับ MF-, CC- และ BP ที่แสดงในรูปที่ 6(c) ที่น่าสนใจคือการวิเคราะห์การแสดงออกที่แตกต่างกันได้เปิดเผยพฤติกรรมที่ผิดปกติของการควบคุมยีนในสามกลุ่ม ส่วนใหญ่ NUDT1 มีการแสดงออกอย่างมากใน C1 ซึ่งมีการรอดชีวิตที่แย่ที่สุด การตรวจสอบเพิ่มเติมพบว่าการแสดงออกของ NUDT1 ถูกควบคุมลงอย่างมีนัยสำคัญผ่านความก้าวหน้าจาก C1 ถึง C3 (รูปที่ 6(d)) ยิ่งไปกว่านั้น NUDT1 ยังพบว่าถูกควบคุมในตัวอย่างเนื้องอก KIRC (รูปที่ 6(e)) ต่อไป เราเน้นการแสดงออกของ NUDT1 ในแต่ละระยะของเนื้องอก (รูปที่ 6(f)) การวิเคราะห์การรอดชีวิตโดยรวมยังดำเนินการโดยพล็อตเตอร์ของ Kaplan-Meier และเราพบว่าผู้ป่วยที่มีการแสดงออกของ NUDT1 สูงกว่านั้นมีความอยู่รอดโดยรวมที่แย่ลง (HR=1}:82 (1.34–2.48), log-rank p {{27} }:00012) (รูปที่ 6(ช))

สุดท้าย เราทำการวิเคราะห์การเพิ่มคุณค่าการทำงานของ KEGG และ GO สำหรับยีนที่มีปฏิสัมพันธ์กับ NUDT1 ยีนถูกแบ่งออกเป็นสองกลุ่ม - มีความสัมพันธ์เชิงบวกกับ NUDT1 และสัมพันธ์เชิงลบกับ NUDT1 การวิเคราะห์ทางเดินของ KEGG แสดงให้เห็นว่ายีนที่สัมพันธ์กันในเชิงบวกส่วนใหญ่ได้รับการเสริมคุณค่าในวิถีของไรโบโซม โรคฮันติงตัน โรคเส้นโลหิตตีบด้านข้างของอะไมโอโทรฟิค และโรคอัลไซเมอร์ ในทางกลับกัน ยีนที่สัมพันธ์กันในทางลบนั้นได้รับการเสริมคุณค่าส่วนใหญ่ในการส่งสัญญาณไวรัสตับอักเสบบีและฟ็อกโซ (รูปที่ 6(h)) นอกจากนี้ GO ontology ของสามกลุ่มที่แตกต่างกัน MF, CC และ BP สำหรับยีนที่สัมพันธ์กันทั้งเชิงบวกและเชิงลบแสดงในรูปที่ 6 (i) นอกจากนี้ เราพบว่าการแสดงออกของ NUDT1 มีความสัมพันธ์อย่างมากกับการแทรกซึมของเซลล์ภูมิคุ้มกัน (รูปที่ 6 เพิ่มเติม) และลักษณะทางคลินิกที่แตกต่างกันของผู้ป่วย KIRC (ตารางที่ 1)

อาหารเสริม Cistanche

7. การสูญเสีย NUDT1 ยับยั้งการเพิ่มจำนวนและการย้ายถิ่นของเซลล์มะเร็งไต

ต่อไป เราเปรียบเทียบระดับการแสดงออกของ NUDTI ในเนื้อเยื่อ KIRC และเนื้อเยื่อปกติที่เกี่ยวข้อง ซึ่งเผยให้เห็นว่า NUDT1 มีการแสดงออกสูงในเนื้อเยื่อ KIRC (รูปที่ 7(a)) นอกจากนี้เรายังพิจารณาผลของการสูญเสีย NUDT1 ต่อเซลล์มะเร็งไตโดยใช้การยับยั้ง siRNA-mediated NUDT1 ตกเป็นเป้าหมายสำหรับการทำให้ siRNA ล้มลงในสองเซลล์บรรทัด 786-O และ ACHN และระดับ NUDT1 mRNA ถูกยับยั้งได้สำเร็จตามหลักฐานโดยการวิเคราะห์ qPCR (รูปที่ 7(b)) หลังจากการน็อคดาวน์โดยใช้ siRNA ของ NUDT1 การทดสอบความมีชีวิตของเซลล์แสดงความมีชีวิตของเซลล์ที่ลดลงในทั้งสองเซลล์ (รูปที่ 7(c) และ 7(d)) หลังจากนั้น การทดสอบการย้ายเซลล์เมื่อน็อคดาวน์ของ NUDT1 แสดงการย้ายเซลล์ที่ลดลงอย่างมากใน NUDT1-เซลล์ 786-O และ ACHN ที่หมดลง (รูปที่ 7(e) และ 7(f)) ความสามารถในการย้ายของ 786-เซลล์ O ลดลงเหลือประมาณ 50 เปอร์เซ็นต์ และสังเกตการลดลง 70 เปอร์เซ็นต์ในเซลล์ ACHN เมื่อ NUDT1 ล้มลง (รูปที่ 7(f)) การบุกรุกของเซลล์ยังถูกยับยั้งในทั้งสองเซลล์เมื่อยีน NUDT1 ถูกทำให้ล้มลง (รูปที่ 7(g) และ 7(h)) เพื่อเสริมการย้ายถิ่นฐาน เรายังทำการทดสอบการรักษาบาดแผลเมื่อ NUDT1 หมดไปจาก 786-O และ ACHN ของเซลล์ไลน์ และเราสังเกตเห็นผลลัพธ์ที่คล้ายคลึงกันของความสามารถในการรักษาบาดแผลที่ลดลงในเซลล์ทั้งสองที่ขาด NUDT1 (รูปที่ 7(l)– 7(น)). จากผลลัพธ์เหล่านี้ เราตั้งสมมติฐานว่าการสูญเสีย NUDT1 อาจนำไปสู่การตายแบบอะพอพโทซิสในเซลล์มะเร็งไต ดังนั้นเราจึงวัดเปอร์เซ็นต์ของเซลล์ apoptotic จากการปิดเสียงของ NUDT1 ที่น่าสนใจคือ เราค้นพบว่าเปอร์เซ็นต์ของเซลล์อะพอพโทซิสเพิ่มขึ้นอย่างมีนัยสำคัญในเซลล์ที่หมดสภาพของ NUDT1- (รูปที่ 7(i)–7(k))

การอภิปราย

มะเร็งเซลล์ไตไตใส (KIRC) เป็นหนึ่งในมะเร็งที่พบบ่อยที่สุดทั่วโลก โดยทั่วไปจะไม่แสดงอาการในระยะเริ่มต้นจนกว่าเนื้องอกจะมีขนาดใหญ่เพียงพอ ดังนั้นอัตราการตายจึงค่อนข้างสูง [18–20] ดังนั้นจึงจำเป็นต้องตรวจสอบการก่อมะเร็งของ KIRC และระบุตัวบ่งชี้ทางชีวภาพที่มีประโยชน์สำหรับการวินิจฉัยในระยะแรก อย่างไรก็ตาม ความรู้ที่มีอยู่อย่างจำกัดเกี่ยวกับการเกิดโรคและการกำเนิดมะเร็งของ KIRC นอกจากนี้ยังมีการตรวจสอบความถูกต้องของเครื่องหมายโมเลกุลสำหรับการปฏิบัติทางคลินิกไม่มากนัก การจัดลำดับความเร็วสูงและเทคโนโลยีชีวสารสนเทศทำให้สามารถเลือกตัวบ่งชี้ทางชีวภาพที่มีประสิทธิภาพได้ [21] ข้อมูลการจัดลำดับ RNA และคำอธิบายประกอบทางคลินิกของกรณี KIRC กว่าห้าร้อยกรณีมีให้ใช้งานฟรีบนฐานข้อมูล TCGA การใช้ประโยชน์จากข้อมูลที่หาได้ฟรีจาก TCGA เราวิเคราะห์ข้อมูลลำดับ RNA สำหรับยีนเมตาบอลิซึมที่แสดงออกแตกต่างกันในตัวอย่างเนื้องอกและเนื้อเยื่อปกติ ในบรรดายีนที่ควบคุมและควบคุมได้เราระบุยีนเมตาบอลิซึมที่แสดงออกแตกต่างกัน 10 อันดับแรก (DEmGs) เราเชื่อว่ายีนเมตาบอลิซึมมีหน้าที่หลากหลายใน KIRC; ถึงกระนั้น การค้นหาตัวบ่งชี้การวินิจฉัยและการรักษาที่เหมาะสมอาจเป็นสิ่งที่ท้าทายจากกลุ่มของยีนที่มีการทำงานที่หลากหลาย

ก่อนหน้านี้ การศึกษาได้ประเมินการแทรกซึมของเซลล์ภูมิคุ้มกันในสภาพแวดล้อมจุลภาคของเนื้องอกของมะเร็งหลายชนิด ศึกษาความสัมพันธ์ระหว่างเซลล์ภูมิคุ้มกันของเนื้องอกและการสร้างเส้นเลือดใหม่ในข้อมูลตัวอย่าง KIRC ที่ได้รับจาก TCGA และ RFX2, SOX13 และ THRA ถูกระบุว่าเป็น MTF สามอันดับแรกในการควบคุมการสร้างเส้นเลือดใหม่ในผู้ป่วย KIRC [4] ยิ่งไปกว่านั้น รูปแบบการดัดแปลง m6A ที่เป็นอิสระต่อกันสองรูปแบบจะควบคุมการทำงานทางชีวภาพ ลักษณะทางภูมิคุ้มกันวิทยา และการพยากรณ์โรคของ KIRC [22] โปรตีนที่เกี่ยวข้องกับการดูดเลือดอัตโนมัติ 5 (ATG5) เชื่อมโยงกับการลุกลามของมะเร็งหลายชนิดรวมถึง KIRC [23] ในการวิเคราะห์ปัจจุบัน ยีนที่แสดงออกแตกต่างกันบางส่วนซึ่งรวมถึง PBRM1, SET2, VHL และ BAP1 แสดงความสัมพันธ์ที่มีนัยสำคัญกับเส้นทางการเผาผลาญในข้อมูล KIRC สำหรับการตรวจสอบเชิงลึกเพิ่มเติม เราจัดกลุ่มผู้ป่วยตาม DEmGs; คลัสเตอร์ 1 แสดงอัตราการรอดชีวิตโดยรวมที่แย่กว่าเมื่อเปรียบเทียบกับคลัสเตอร์อื่น อย่างไรก็ตาม ผู้ป่วย KIRC ในกลุ่มที่ 3 มีระยะของเนื้องอกขั้นสูงและมีต่อมน้ำเหลืองสูง (N1 สูงกว่า) เมื่อเปรียบเทียบกับกลุ่มที่ 1 และ 2 ซึ่งแสดงการแพร่กระจายของมะเร็งและการขยายตัวของเนื้องอกในกลุ่มที่ 3 แสดงให้เห็นจำนวนยีนเมแทบอลิซึมที่น้อยกว่า ในกลุ่มที่เกี่ยวข้องกับการแพร่กระจายของมะเร็ง

นอกจากนี้ คะแนนการแทรกซึมของภูมิคุ้มกันในกลุ่มต่างๆ แสดง C1 ที่มีคะแนนสูงในการจำแนกประเภท stromal และภูมิคุ้มกัน ที่น่าสังเกตคือ ผู้ป่วย C1 ที่ระยะพยาธิสภาพ III และ IV มีการแทรกซึมสูงของทีเซลล์พร้อมกับเซลล์ CD8 บวกทีเซลล์ ทีฟอลลิคูลาร์เฮลเปอร์เซลล์ และแมคโครฟาจ ในขณะที่ยังมี Tregs มากมาย Tregs มีบทบาทสำคัญในความทนทานต่อภูมิคุ้มกันและสภาวะสมดุล [24] ในมะเร็งหลายชนิด เช่น มะเร็งลำไส้ มะเร็งเต้านม และมะเร็งตับอ่อน เปอร์เซ็นต์ที่เพิ่มขึ้นของ Tregs นั้นสัมพันธ์กับการพยากรณ์โรคมะเร็งที่ไม่ดี [25, 26] มาโครฟาจ M0 ชักนำการบุกรุกและการเพิ่มจำนวนเซลล์ [27] และระดับของมาโครฟาจที่สูงขึ้นนั้นสัมพันธ์กับการพยากรณ์โรคที่ไม่ดีใน RCC [28] ในทำนองเดียวกัน เซลล์ CD8 บวก T เป็นที่รู้จักกันว่าเป็นเซลล์ต้านมะเร็งที่สำคัญและเป็นตัวเลือกอันดับต้น ๆ สำหรับการรักษาด้วยเซลล์ภูมิคุ้มกันแบบกำหนดเป้าหมายสำหรับมะเร็ง [29] แม้ว่า C1 มีการแทรกซึมของ CD8 บวก T เซลล์สูงที่สุดกว่าคลัสเตอร์อื่น แต่ก็มีการอยู่รอดโดยรวมที่แย่ที่สุด

เฮอร์บา ซิสแทนเช่

เราใช้วิธี CIBERSORT, MCP และ ssGSEA สามวิธีเพื่อศึกษาการแทรกซึมของเซลล์ภูมิคุ้มกันในสภาพแวดล้อมจุลภาคของเนื้องอก KIRC วิธีการดั้งเดิมในการวัดการแทรกซึมของภูมิคุ้มกันของเนื้องอกคือผ่านการตรวจชิ้นเนื้อในส่วนเนื้อเยื่อและส่วนย่อยของภูมิคุ้มกันที่อนุมานโดยอิมมูโนฮิสโตเคมีของเครื่องหมายแต่ละตัว อย่างไรก็ตาม มีข้อจำกัดหลายประการที่อิมมูโนฮิสโตเคมีไม่สามารถระบุประชากรภูมิคุ้มกันจำนวนมากได้ และทำงานได้ไม่ดีในการจับฟีโนไทป์ที่ทำหน้าที่ได้ (เช่น เซลล์ลิมโฟไซต์ที่ถูกกระตุ้นและพักอยู่) ดังนั้นเราจึงใช้ CIBERSORT ซึ่งเป็นวิธีการคำนวณที่พัฒนาโดย [30] ซึ่งจัดการกับความท้าทายที่อิมมูโนฮิสโตเคมีต้องเผชิญ นอกเหนือจาก CIBERSORT แล้ว เราใช้แพ็คเกจอัลกอริทึมอื่นๆ เพื่อตรวจสอบสถานะของการแทรกซึมของภูมิคุ้มกัน ทั้งนี้เนื่องจาก CIBERSORT วัดเฉพาะสัดส่วนตัวอย่างภายในเซลล์ภูมิคุ้มกันที่สามารถแก้ไขได้ด้วยแพ็คเกจอื่น เช่น ตัวนับ MCP ซึ่งสามารถประเมินจำนวนประชากรของเซลล์อย่างมากมาย ซึ่งทำให้สามารถเปรียบเทียบระหว่างตัวอย่างระหว่างเซลล์ที่แทรกซึมอยู่ในสภาพแวดล้อมจุลภาคของเนื้องอกได้ [31] เพื่อเสริมการวิเคราะห์ CIBERSORT และ MCP เราใช้ ssGSEA เพื่อหาปริมาณระดับการแทรกซึมสำหรับเซลล์ภูมิคุ้มกันที่ใช้ในแพ็คเกจ R GSVA [32, 33] GSA เป็นวิธีการจัดอันดับที่คำนวณการแสดงออกที่มากเกินไปสำหรับรายการของยีนที่น่าสนใจเมื่อเทียบกับยีนอื่นๆ ทั้งหมดในจีโนม CIBERSORT แสดงผลลัพธ์ที่ดีกว่าเมื่อเทียบกับอีกสองวิธี; ดังนั้นจึงทำการวิเคราะห์เพิ่มเติมจากข้อมูลที่ได้รับจาก CIBERSORT

นอกจากนี้ เรามุ่งเน้นไปที่กลไกพื้นฐานของความก้าวหน้าของ KIRC โดยการวิเคราะห์การแสดงออกที่แตกต่างกันตามข้อมูล RNA-seq โดยรวมแล้ว เรากำหนดเป้าหมายการแสดงออกที่แตกต่างกันอย่างผิดปกติของยีนทั่วไปในสามกลุ่ม ยีนส่วนใหญ่ถูกลดการควบคุมยกเว้น NUDT1 ใน C1; อย่างไรก็ตาม การแสดงออกของมันถูกควบคุมลงอย่างมากผ่านความก้าวหน้าจาก C1 ถึง C3 ดังนั้น NUDT1 จึงได้รับการตรวจสอบเพิ่มเติมสำหรับบทบาทในการพัฒนา KIRC การยับยั้งการแสดงออกของยีน NUDTI โดยใช้ siRNA ในเซลล์ KIRC สองสาย (786-O และ ACHN) ลดความมีชีวิตของเซลล์และการย้ายเซลล์และเพิ่มการตายของเซลล์ ซึ่งเป็นการยืนยันบทบาทในการลุกลามของเนื้องอก ก่อนหน้านี้ มีรายงานว่าระดับของการแสดงออกของ NUDT1 มีความสัมพันธ์กับระดับของเนื้องอก ระยะ ขนาด ความแตกต่าง ระดับของการบุกรุกของหลอดเลือด การรอดชีวิตโดยรวม (OS) และการอยู่รอดโดยปราศจากโรค (DFS) ในผู้ป่วย HCC เช่นกัน ตัวบ่งชี้การพยากรณ์โรคที่มีศักยภาพในการรักษาผู้ป่วย HCC [34] การแสดงออกของ NUDT1 ที่มากเกินไปในความดันโลหิตสูงในปอดช่วยลดความเครียดจากปฏิกิริยาออกซิเดชั่นและความเสียหายของ DNA ดังนั้นจึงส่งเสริมการเพิ่มจำนวนเซลล์และลดการตายของเซลล์ [35] มีการแสดงให้เห็นว่าผู้ป่วยมะเร็งเซลล์สความัสในช่องปาก (OSCC) ที่มีการแสดงออกของ NUDT1 สูงมีอัตราการรอดชีวิตต่ำ [36] จากข้อเท็จจริงที่ว่ามีเอกสารไม่เพียงพอเกี่ยวกับบทบาทของ NUDTI ต่อโรคมะเร็ง และจนถึงขณะนี้ยังไม่มีการศึกษาใดรายงานถึงบทบาทของ NUDTI ใน KIRC ดังนั้นเราจึงรายงานเป็นครั้งแรกเกี่ยวกับบทบาทของ NUDTI ในความก้าวหน้าของ KIRC การศึกษาในปัจจุบันมีข้อจำกัดบางประการ แม้ว่าการวิจัยของเราพบว่าลายเซ็นอาจเกี่ยวข้องกับการบำบัดด้วยภูมิคุ้มกันของ KIRC แต่ประสิทธิภาพของลายเซ็นไม่สามารถตรวจสอบได้เนื่องจากขาดข้อมูล กลไกพื้นฐานที่เป็นไปได้ และบทบาทหน้าที่ของ NUDT1 ใน KIRC และการปฏิบัติทางคลินิกจำเป็นต้องมีการสำรวจเพิ่มเติม

ซิสแทนเช ทูบูโลซา

ข้อสรุป

เราคัดกรองยีนเมแทบอลิซึมที่ควบคุมไม่ได้ระหว่างเนื้อเยื่อปกติและเนื้อเยื่อเนื้องอก และสำรวจการทำงานของมัน การวิเคราะห์ WGCNA ระบุกลุ่มของยีนที่มีความสัมพันธ์กับสถานะการอยู่รอดของ KIRC การจัดกลุ่มฉันทามติตามยีนที่เกี่ยวข้องกับการอยู่รอดแสดงให้เห็นสามกลุ่มที่มีอัตราการรอดชีวิตที่แตกต่างกันและรูปแบบการแทรกซึมของภูมิคุ้มกัน NUDT1 มีความสัมพันธ์เชิงลบกับการอยู่รอด และจากการวิเคราะห์เพิ่มเติมพบว่าการล้มลงของ NUDT1 ยับยั้งการเพิ่มจำนวนและการย้ายถิ่นของเซลล์เนื้องอก โปรดทราบว่าแบบจำลองการทำนายถูกสร้างขึ้นจากยีนที่เกี่ยวข้องกับการอยู่รอด ซึ่งแสดงให้เห็นประสิทธิภาพสูงในการทำนายการอยู่รอดของ KIRC โดยสรุป เราทำการวิเคราะห์อย่างละเอียดถี่ถ้วนของยีนเมแทบอลิซึมใน KIRC และระบุว่า NUDT1 เป็นอโคยีนที่สามารถใช้เป็นเป้าหมายในการรักษาและพยากรณ์โรคได้

ผลของสารสกัด Cistanche ต่อความโปร่งใสของไต

มีหลักฐานทางวิทยาศาสตร์จำกัดเกี่ยวกับผลกระทบของ Cistanche ต่อความโปร่งใสของไต อย่างไรก็ตาม, บางการศึกษาแนะนำว่า สารสกัด Cistanche อาจมีผลดีต่อสุขภาพไต.

ไตมีหน้าที่กรองของเสียและสารพิษออกจากร่างกาย และสุขภาพของไตเป็นสิ่งสำคัญสำหรับความเป็นอยู่ที่ดีโดยรวม การศึกษาพบว่าสารสกัดจาก Cistanche มีสารต้านอนุมูลอิสระที่มีศักยภาพและคุณสมบัติต้านการอักเสบ ซึ่งสามารถช่วยป้องกันความเครียดจากอนุมูลอิสระและการอักเสบในไต

ในการแพทย์แผนจีน Cistanche ยังใช้เพื่อบำรุงไตและปรับปรุงการทำงานของไต ผู้ปฏิบัติงานบางคนเชื่อว่าการบริโภคสารสกัดจาก Cistanche เป็นประจำสามารถช่วยปรับปรุงความโปร่งใสของไตได้ แม้ว่าคำกล่าวอ้างนี้จะไม่ได้รับการสนับสนุนจากการวิจัยทางคลินิกที่มีประสิทธิภาพก็ตาม

ดังนั้นจึงจำเป็นต้องมีการวิจัยที่เข้มงวดมากขึ้นเพื่อให้เข้าใจถึงประโยชน์ที่เป็นไปได้ของสารสกัด Cistanche ที่มีต่อความโปร่งใสของไต อย่างไรก็ตาม เช่นเดียวกับผลิตภัณฑ์เสริมอาหารหรือการบำบัดทางเลือกอื่นๆ สิ่งสำคัญคือต้องปรึกษากับบุคลากรทางการแพทย์ก่อนที่จะรวมอาหารเสริมใหม่ๆ เข้าไปในอาหารของคุณ โดยเฉพาะอย่างยิ่งหากคุณมีโรคประจำตัวอยู่ก่อนแล้ว

อ้างอิง

[18] RL Siegel, KD Miller และ A. Jemal, "สถิติมะเร็ง, 2019," CA: A Cancer Journal for Clinicians, vol. 69 ไม่ 1 หน้า 7–34 2019

[19] RL Siegel, KD Miller, HE Fuchs และ A. Jemal, "สถิติมะเร็ง, 2021," CA: A Cancer Journal for Clinicians, vol. เลขที่ 71 1 หน้า 7–33 พ.ศ. 2564

[20] JC Angulo และ O. Shapiro, "แนวการรักษาที่เปลี่ยนแปลงของมะเร็งไตระยะลุกลาม" โรคมะเร็ง ฉบับที่ 11 ไม่ 9 หน้า 1227, 2019.

[21] AK Sharma, "แนวโน้มที่เกิดขึ้นใหม่ในการค้นพบไบโอมาร์คเกอร์: ความง่ายดายในการพยากรณ์โรคและการทำนายมะเร็ง" การสัมมนาในชีววิทยามะเร็ง ฉบับที่ 52, ส่วนที่ 1, หน้า iii–iv, 2018

[22] H. Li, J. Hu, A. Yu et al., "การดัดแปลง RNA ของ N6- methyladenosine ทำนายฟีโนไทป์ของภูมิคุ้มกันและโอกาสในการรักษามะเร็งเซลล์ล้างไตในไต" Frontiers in Oncology, vol. 11 บทความ 642159 2021

[23] C. Xu, Y. Zang, Y. Zhao, et al., "การวิเคราะห์มะเร็งตับอย่างครอบคลุมยืนยันว่า ATG5 ส่งเสริมการรักษาเมแทบอลิซึมของเนื้องอกและการเกิดขึ้นของภูมิคุ้มกันของเนื้องอก" Frontiers in Oncology, vol. 11 บทความ 652211, 2021

[24] Y. Takeuchi และ H. Nishikawa, "บทบาทของกฎระเบียบ T เซลล์ในภูมิคุ้มกันมะเร็ง," International Immunology, vol. 28 ไม่ 8 หน้า 401–409, 2016

[25] C. Zhuo, Y. Xu, M. Ying, et al., "FOXP3 plus Tregs: ฟีโนไทป์ที่แตกต่างกันและผลกระทบที่ขัดแย้งกันต่อผลลัพธ์การรอดชีวิตในผู้ป่วยมะเร็งลำไส้ใหญ่" การวิจัยภูมิคุ้มกัน ฉบับที่ 61 เลขที่ 3, หน้า 338–347, 2015.

[26] H. Wang, F. Franco และ PC Ho, "การควบคุมการเผาผลาญของ Tregs ในมะเร็ง: โอกาสในการบำบัดด้วยภูมิคุ้มกัน" Trends Cancer, vol. 3 ไม่ 8, หน้า 583–592, 2017.

[27] BZ Qian และ JW Pollard, "ความหลากหลายของมาโครฟาจช่วยเพิ่มการลุกลามของเนื้องอกและการแพร่กระจาย" Cell, vol. 141 เลขที่ 1, หน้า 39–51, 2010

[28] A. Hajiran, N. Chakiryan, AM Aydin, et al., "การลาดตระเวนของความแตกต่างเชิงพื้นที่ของสภาพแวดล้อมจุลภาคของเนื้องอกภูมิคุ้มกันในมะเร็งเซลล์ไตระยะแพร่กระจายและความสัมพันธ์กับการตอบสนองทางภูมิคุ้มกันบำบัด" ภูมิคุ้มกันวิทยาทางคลินิกและการทดลอง ฉบับที่ 204 เลขที่ 1 หน้า 96–106 2021

[29] B. Farhood, M. Najafi และ K. Mortezaee, "CD8 (บวก) T lymphocytes ที่เป็นพิษต่อเซลล์ในการบำบัดด้วยภูมิคุ้มกันมะเร็ง: บทวิจารณ์" Journal of Cellular Physiology, vol. 234 เลขที่ 6, หน้า 8509–8521, 2019.

[30] AM Newman, CL Liu, MR Green, et al., "การแจงนับที่แข็งแกร่งของเซลล์ย่อยจากโปรไฟล์การแสดงออกของเนื้อเยื่อ" Nature Methods, vol. 12 ไม่ 5, หน้า 453–457, 2015.

[31] E. Becht, NA Giraldo, L. Lacroix, et al., "การประมาณจำนวนประชากรจำนวนมากของประชากรเซลล์ภูมิคุ้มกันและสโตรมัลที่แทรกซึมในเนื้อเยื่อโดยใช้การแสดงออกของยีน" Genome Biology, vol. 17 ไม่ 1 หน้า 218, 2016.

[32] DA Barbie, P. Tamayo, JS Boehm, et al., "การรบกวน RNA อย่างเป็นระบบเผยให้เห็นว่ามะเร็งที่ขับเคลื่อนด้วย KRAS ที่ก่อมะเร็งต้องการ TBK1" Nature, vol. 462 เลขที่ 7269, หน้า 108–112, 2009.

[33] S. Hanzelmann, R. Castelo และ J. Guinney, "GSVA: การวิเคราะห์ความแปรผันของชุดยีนสำหรับข้อมูล microarray และ RNA-seq," BMC Bioinformatics, vol. 14 ไม่ 1, 2013.

[34] Q. Ou, N. Ma, Z. Yu et al., "Nudix hydrolase 1 is a prognostic biomarker in hepatocellular carcinoma," Aging, vol. 12 ไม่ 8, หน้า 7363–7379, 2020.

[35] G. Vitry, R. Paulin, Y. Grobs, et al., "การล้างสารตั้งต้นของ DNA ออกซิไดซ์โดย NUDT1 มีส่วนช่วยในการเปลี่ยนแปลงหลอดเลือดในความดันโลหิตสูงในปอด" American Journal of Respiratory and Critical Care Medicine, vol. 203 เลขที่ 5 หน้า 614–627 2021

[36] Y. Shen, L. Zhang, S. Piao, et al., "NUDT1: ตัวทำนายอิสระที่มีศักยภาพสำหรับการพยากรณ์โรคของผู้ป่วยที่มีมะเร็งเซลล์ squamous ในช่องปาก" Journal of Oral Pathology & Medicine, vol. 49 ไม่ 3, หน้า 210–218, 2020.

Junwei Xie,1,2,3,4,5 Lingang Cui,6 Shaokang Pan,1,2,3,4,5 Dongwei Liu,1,2,3,4,5 Fengxun Liu,1,2,3,4 ,5 และ Zhangsuo Liu 1,2,3,4,5

1 แผนกโรคไต โรงพยาบาลในเครือแห่งแรกของมหาวิทยาลัยเจิ้งโจว เจิ้งโจว 450052 ประเทศจีน

2 สถาบันวิจัยโรคไต มหาวิทยาลัยเจิ้งโจว เจิ้งโจว 450052 ประเทศจีน

3 ศูนย์วิจัยโรคไต เจิ้งโจว 450052 เหอหนาน จีน

ห้องปฏิบัติการที่สำคัญ 4 แห่งสำหรับการวินิจฉัยและการรักษาโรคไตเรื้อรังที่แม่นยำในมณฑลเหอหนาน เจิ้งโจว 450052 ประเทศจีน

5 หน่วยหลักของศูนย์วิจัยทางการแพทย์ทางคลินิกแห่งชาติของโรคไต, เจิ้งโจว 450052, จีน

6 Department of Urology, The First Affiliated Hospital of Zhengzhou University, เจิ้งโจว 450052, จีน