Le cancer du pancréas est l'une des tumeurs les plus mortelles au monde et son pronostic est sombre. Par conséquent, un modèle de prédiction précis est nécessaire pour identifier les patients à haut risque de cancer du pancréas afin d'adapter le traitement et d'améliorer leur pronostic.
Nous avons obtenu les données RNAseq de l'adénocarcinome pancréatique (PAAD) issues du Cancer Genome Atlas (TCGA) à partir de la base de données UCSC Xena. Nous avons identifié les lncRNA liés à l'immunité (irlncRNA) par analyse de corrélation et mis en évidence des différences entre les tissus TCGA et les tissus pancréatiques normaux atteints d'adénocarcinome. Nous avons ensuite analysé les différences d'expression (DEirlncRNA) entre les tissus TCGA et l'expression tissulaire du génotype (GTEx) du tissu pancréatique. Des analyses univariées et de régression Lasso ont été réalisées afin de construire des modèles de signature pronostique. Nous avons calculé l'aire sous la courbe et déterminé le seuil optimal pour identifier les patients atteints d'adénocarcinome pancréatique à haut et à faible risque. Enfin, nous avons comparé les caractéristiques cliniques, l'infiltration de cellules immunitaires, le microenvironnement immunosuppresseur et la résistance à la chimiothérapie chez ces patients.
Nous avons identifié 20 paires d'ARNnc différentiellement exprimés (DEirlncRNA) et regroupé les patients selon la valeur seuil optimale. Nous avons démontré que notre modèle de signature pronostique présente une performance significative pour prédire le pronostic des patients atteints d'adénocarcinome pancréatique (PAAD). L'aire sous la courbe ROC (AUC) est de 0,905 pour la prédiction à 1 an, 0,942 pour la prédiction à 2 ans et 0,966 pour la prédiction à 3 ans. Les patients à haut risque présentaient des taux de survie plus faibles et des caractéristiques cliniques plus défavorables. Nous avons également démontré que ces patients étaient immunodéprimés et pouvaient développer une résistance à l'immunothérapie. L'évaluation de médicaments anticancéreux tels que le paclitaxel, le sorafénib et l'erlotinib, basée sur des outils de prédiction bioinformatique, pourrait être pertinente pour les patients à haut risque atteints de PAAD.
Globalement, notre étude a permis d'établir un nouveau modèle de risque pronostique basé sur l'appariement d'ARNnc recombinants, qui a démontré une valeur pronostique prometteuse chez les patients atteints d'un cancer du pancréas. Ce modèle pourrait contribuer à identifier les patients atteints d'un adénocarcinome pancréatique (PAAD) susceptibles de bénéficier d'un traitement médical.
Le cancer du pancréas est une tumeur maligne de haut grade, associée à un faible taux de survie à cinq ans. Au moment du diagnostic, la plupart des patients sont déjà à un stade avancé. Dans le contexte de l'épidémie de COVID-19, les médecins et les infirmiers sont soumis à une pression énorme dans la prise en charge des patients atteints de cancer du pancréas, et les familles des patients font également face à de multiples pressions lors des décisions thérapeutiques [1, 2]. Malgré les progrès considérables réalisés dans le traitement des adénocarcinomes pancréatiques disséminés (ADD), tels que la thérapie néoadjuvante, la résection chirurgicale, la radiothérapie, la chimiothérapie, les thérapies moléculaires ciblées et les inhibiteurs de points de contrôle immunitaire (ICI), seulement 9 % environ des patients survivent cinq ans après le diagnostic [3, 4]. Les symptômes précoces de l'adénocarcinome pancréatique étant atypiques, les patients sont généralement diagnostiqués à un stade avancé, avec des métastases [5]. Par conséquent, pour chaque patient, une prise en charge globale et individualisée doit évaluer les avantages et les inconvénients de toutes les options thérapeutiques, non seulement pour prolonger la survie, mais aussi pour améliorer la qualité de vie [6]. Par conséquent, un modèle de prédiction efficace est nécessaire pour évaluer avec précision le pronostic d'un patient [7]. Ainsi, un traitement approprié peut être sélectionné afin d'équilibrer la survie et la qualité de vie des patients atteints de PAAD.
Le mauvais pronostic du PAAD est principalement dû à la résistance aux chimiothérapies. Ces dernières années, les inhibiteurs de points de contrôle immunitaire (ICI) ont été largement utilisés dans le traitement des tumeurs solides [8]. Cependant, leur utilisation dans le cancer du pancréas est rarement couronnée de succès [9]. Il est donc important d'identifier les patients susceptibles de bénéficier d'une immunothérapie par ICI.
Les ARN longs non codants (ARNnc) sont un type d'ARN non codant dont les transcrits mesurent plus de 200 nucléotides. Les ARNnc sont largement répandus et représentent environ 80 % du transcriptome humain [10]. De nombreux travaux ont démontré que les modèles pronostiques basés sur les ARNnc permettent de prédire efficacement le pronostic des patients [11, 12]. Par exemple, 18 ARNnc liés à l'autophagie ont été identifiés comme générateurs de signatures pronostiques dans le cancer du sein [13]. Six autres ARNnc impliqués dans le système immunitaire ont été utilisés pour établir les caractéristiques pronostiques du gliome [14].
Dans le cancer du pancréas, certaines études ont établi des signatures basées sur les lncARN pour prédire le pronostic des patients. Une signature à 3 lncARN a été établie dans l'adénocarcinome pancréatique, avec une aire sous la courbe ROC (AUC) de seulement 0,742 et une survie globale (SG) de 3 ans [15]. De plus, les valeurs d'expression des lncARN varient selon les génomes, les formats de données et les patients, ce qui rend les performances du modèle prédictif instables. C'est pourquoi nous utilisons un nouvel algorithme de modélisation, le couplage et l'itération, pour générer des signatures de lncARN liés à l'immunité (irlncARN) afin de créer un modèle prédictif plus précis et stable [8].
Les données RNAseq normalisées (FPKM) et les données cliniques TCGA et d'expression tissulaire génotypique (GTEx) du cancer du pancréas ont été obtenues à partir de la base de données UCSC XENA (https://xenabrowser.net/datapages/). Les fichiers GTF ont été obtenus à partir de la base de données Ensembl (http://asia.ensembl.org) et utilisés pour extraire les profils d'expression des lncRNA à partir des données RNAseq. Nous avons téléchargé les gènes liés à l'immunité à partir de la base de données ImmPort (http://www.immport.org) et identifié les lncRNA associés à l'immunité (irlncRNA) par analyse de corrélation (p < 0,001, r > 0,4). Identification des irlncRNAs exprimés de manière différentielle (DEirlncRNAs) en croisant les irlncRNAs et les lncRNAs exprimés de manière différentielle obtenus à partir de la base de données GEPIA2 (http://gepia2.cancer-pku.cn/#index) dans la cohorte TCGA-PAAD (|logFC| > 1 et FDR) <0,05).
Cette méthode a déjà été décrite [8]. Plus précisément, nous construisons X pour remplacer les paires d'ARNnc A et B. Lorsque le niveau d'expression de l'ARNnc A est supérieur à celui de l'ARNnc B, X vaut 1 ; sinon, X vaut 0. Nous obtenons ainsi une matrice de 0 ou de -1. L'axe vertical de la matrice représente chaque échantillon, et l'axe horizontal représente chaque paire d'ARNnc DEir, avec une valeur de 0 ou 1.
Une analyse de régression univariée, suivie d'une régression Lasso, a été utilisée pour identifier les paires d'ARNnc différentiellement exprimés (DEirlncRNA) à valeur pronostique. L'analyse de régression Lasso a utilisé une validation croisée à 10 plis, répétée 1 000 fois (p < 0,05), avec 1 000 stimuli aléatoires par itération. Lorsque la fréquence de chaque paire de DEirlncRNA dépassait 100 fois au cours des 1 000 cycles, les paires étaient sélectionnées pour construire un modèle de risque pronostique. Nous avons ensuite utilisé la courbe ROC (aire sous la courbe) pour déterminer le seuil optimal de classification des patients atteints de PAAD en groupes à haut et à faible risque. La valeur ROC de chaque modèle a également été calculée et représentée graphiquement. Si la courbe atteint son point le plus haut, indiquant la valeur ROC maximale, le processus de calcul s'arrête et le modèle est considéré comme le meilleur candidat. Des courbes ROC à 1, 3 et 5 ans ont été construites. Des analyses de régression univariée et multivariée ont été utilisées pour examiner la performance prédictive indépendante du modèle de risque pronostique.
Sept outils ont été utilisés pour étudier les taux d'infiltration des cellules immunitaires : XCELL, TIMER, QUANTISEQ, MCPCOUNTER, EPIC, CIBERSORT-ABS et CIBERSORT. Les données d'infiltration des cellules immunitaires ont été téléchargées depuis la base de données TIMER2 (http://timer.comp-genomics.org/#tab-5817-3). La différence de concentration en cellules immunitaires infiltrantes entre les groupes à haut et à faible risque du modèle construit a été analysée par le test de Wilcoxon ; les résultats sont présentés dans le graphique carré. Une analyse de corrélation de Spearman a été réalisée pour analyser la relation entre les scores de risque et les cellules immunitaires infiltrantes. Le coefficient de corrélation obtenu est représenté par un graphique en forme de sucette. Le seuil de signification a été fixé à p < 0,05. Cette procédure a été effectuée à l'aide du package ggplot2 de R. Pour examiner la relation entre le modèle et les niveaux d'expression génique associés au taux d'infiltration des cellules immunitaires, nous avons utilisé le package ggstatsplot et réalisé une visualisation en diagramme de violon.
Pour évaluer les schémas thérapeutiques du cancer du pancréas, nous avons calculé la CI50 des chimiothérapies couramment utilisées dans la cohorte TCGA-PAAD. Les différences de concentration inhibitrice à 50 % (CI50) entre les groupes à haut et à faible risque ont été comparées à l'aide du test de Wilcoxon, et les résultats sont présentés sous forme de diagrammes en boîte générés avec les fonctions pRRophetic et ggplot2 du logiciel R. Toutes les méthodes utilisées sont conformes aux recommandations et normes en vigueur.
Le déroulement de notre étude est présenté dans la figure 1. À l'aide d'une analyse de corrélation entre les lncARN et les gènes liés à l'immunité, nous avons sélectionné 724 irlncARN avec p < 0,01 et r > 0,4. Nous avons ensuite analysé les lncARN différentiellement exprimés de GEPIA2 (figure 2A). Au total, 223 irlncARN étaient différentiellement exprimés entre l'adénocarcinome pancréatique et le tissu pancréatique normal (|logFC| > 1, FDR < 0,05), et ont été nommés DEirlncARN.
Construction de modèles de risque prédictifs. (A) Diagramme en volcan des lncRNA différentiellement exprimés. (B) Distribution des coefficients LASSO pour 20 paires de lncRNA différentiellement exprimés. (C) Variance de vraisemblance partielle de la distribution des coefficients LASSO. (D) Diagramme de forêt présentant l'analyse de régression univariée des 20 paires de lncRNA différentiellement exprimés.
Nous avons ensuite construit une matrice binaire (0 ou 1) en appariant 223 DEirlncRNA. Au total, 13 687 paires de DEirlncRNA ont été identifiées. Après analyses de régression univariée et Lasso, 20 paires de DEirlncRNA ont été retenues pour construire un modèle de risque pronostique (Figure 2B-D). À partir des résultats des analyses Lasso et de régression multiple, nous avons calculé un score de risque pour chaque patient de la cohorte TCGA-PAAD (Tableau 1). L’aire sous la courbe ROC (AUC) était de 0,905 pour la prédiction du risque à 1 an, de 0,942 pour la prédiction à 2 ans et de 0,966 pour la prédiction à 3 ans (Figure 3A-B). Nous avons défini un seuil optimal de 3,105, stratifié les patients de la cohorte TCGA-PAAD en groupes à haut et à faible risque, et représenté graphiquement les courbes de survie et les distributions des scores de risque pour chaque patient (figures 3C à 3E). L’analyse de Kaplan-Meier a montré que la survie des patients atteints de PAAD du groupe à haut risque était significativement inférieure à celle des patients du groupe à faible risque (p < 0,001) (figure 3F).
Validité des modèles de risque pronostique. (A) Courbe ROC du modèle de risque pronostique. (B) Courbes ROC des modèles de risque pronostique à 1, 2 et 3 ans. (C) Courbe ROC du modèle de risque pronostique. Indique le seuil optimal. (D) Distribution du statut de survie (D) et des scores de risque (E). (F) Analyse de Kaplan-Meier des patients atteints de PAAD dans les groupes à haut et à faible risque.
Nous avons ensuite évalué les différences de scores de risque en fonction des caractéristiques cliniques. Le graphique en bande (Figure 4A) illustre la relation globale entre les caractéristiques cliniques et les scores de risque. En particulier, les patients plus âgés présentaient des scores de risque plus élevés (Figure 4B). De plus, les patients de stade II avaient des scores de risque plus élevés que ceux de stade I (Figure 4C). Concernant le grade tumoral chez les patients atteints d'adénocarcinome pancréatique (PAAD), les patients de grade 3 présentaient des scores de risque plus élevés que ceux de grade 1 et 2 (Figure 4D). Nous avons ensuite réalisé des analyses de régression univariée et multivariée et démontré que le score de risque (p < 0,001) et l'âge (p = 0,045) étaient des facteurs pronostiques indépendants chez les patients atteints de PAAD (Figure 5A-B). La courbe ROC a démontré que le score de risque était supérieur aux autres caractéristiques cliniques pour prédire la survie à 1, 2 et 3 ans des patients atteints de PAAD (Figure 5C-E).
Caractéristiques cliniques des modèles de risque pronostique. L'histogramme (A) présente (B) l'âge, (C) le stade tumoral, (D) le grade tumoral, le score de risque et le sexe des patients de la cohorte TCGA-PAAD. **p < 0,01
Analyse prédictive indépendante des modèles de risque pronostique. (AB) Analyses de régression univariée (A) et multivariée (B) des modèles de risque pronostique et des caractéristiques cliniques. (CE) Courbes ROC à 1, 2 et 3 ans pour les modèles de risque pronostique et les caractéristiques cliniques.
Nous avons donc examiné la relation entre le temps et les scores de risque. Nous avons constaté que le score de risque chez les patients atteints d'adénocarcinome pancréatique (PAAD) était inversement corrélé au nombre de lymphocytes T CD8+ et de cellules NK (Figure 6A), ce qui indique une suppression de la fonction immunitaire dans le groupe à haut risque. Nous avons également évalué la différence d'infiltration des cellules immunitaires entre les groupes à haut et à faible risque et obtenu les mêmes résultats (Figure 7). L'infiltration des lymphocytes T CD8+ et des cellules NK était moindre dans le groupe à haut risque. Ces dernières années, les inhibiteurs de points de contrôle immunitaire (ICI) ont été largement utilisés dans le traitement des tumeurs solides. Cependant, leur utilisation dans le cancer du pancréas s'est rarement avérée efficace. Par conséquent, nous avons évalué l'expression des gènes de points de contrôle immunitaire dans les groupes à haut et à faible risque. Nous avons constaté que CTLA-4 et CD161 (KLRB1) étaient surexprimés dans le groupe à faible risque (Figure 6B-G), ce qui suggère que les patients atteints de PAAD appartenant à ce groupe pourraient être sensibles aux ICI.
Analyse de corrélation entre le modèle de risque pronostique et l'infiltration de cellules immunitaires. (A) Corrélation entre le modèle de risque pronostique et l'infiltration de cellules immunitaires. (BG) Expression génique dans les groupes à haut et à faible risque. (HK) Valeurs IC50 pour des médicaments anticancéreux spécifiques dans les groupes à haut et à faible risque. *p < 0,05, **p < 0,01, ns = non significatif
Nous avons ensuite évalué l'association entre les scores de risque et les agents de chimiothérapie couramment utilisés dans la cohorte TCGA-PAAD. Nous avons recherché les médicaments anticancéreux fréquemment utilisés dans le cancer du pancréas et analysé les différences de leurs valeurs IC50 entre les groupes à haut et à faible risque. Les résultats ont montré que la valeur IC50 de l'AZD.2281 (olaparib) était plus élevée dans le groupe à haut risque, suggérant une possible résistance des patients atteints d'un adénocarcinome pancréatique (PAAD) appartenant à ce groupe (Figure 6H). Par ailleurs, les valeurs IC50 du paclitaxel, du sorafénib et de l'erlotinib étaient plus faibles dans le groupe à haut risque (Figures 6I à 6K). Nous avons également identifié 34 médicaments anticancéreux présentant des valeurs IC50 plus élevées et 34 autres présentant des valeurs IC50 plus faibles dans le groupe à faible risque (Tableau 2).
Il est indéniable que les lncARN, les ARNm et les miARN sont largement répandus et jouent un rôle crucial dans le développement du cancer. De nombreuses données confirment le rôle important des ARNm et des miARN dans la prédiction de la survie globale pour plusieurs types de cancer. De nombreux modèles de risque pronostique sont également basés sur les lncARN. Par exemple, les études de Luo et al. ont montré que LINC01094 joue un rôle clé dans la prolifération et la métastase du cancer du pancréas, et qu'une forte expression de LINC01094 est associée à un mauvais pronostic chez les patients atteints de ce cancer [16]. L'étude présentée par Lin et al. a montré que la sous-expression du lncARN FLVCR1-AS1 est associée à un mauvais pronostic chez ces patients [17]. Cependant, les lncARN liés à l'immunité sont relativement moins étudiés en termes de prédiction de la survie globale des patients atteints de cancer. Récemment, de nombreux travaux ont porté sur l'élaboration de modèles de risque pronostique afin de prédire la survie des patients atteints de cancer et ainsi adapter les traitements [18, 19, 20]. On reconnaît de plus en plus le rôle important des infiltrats immunitaires dans l'initiation, la progression et la réponse aux traitements tels que la chimiothérapie du cancer. De nombreuses études ont confirmé que les cellules immunitaires infiltrant la tumeur jouent un rôle crucial dans la réponse à la chimiothérapie cytotoxique [21, 22, 23]. Le microenvironnement immunitaire tumoral est un facteur important de la survie des patients atteints de cancer [24, 25]. L'immunothérapie, en particulier l'immunothérapie par inhibiteurs de points de contrôle immunitaire (ICI), est largement utilisée dans le traitement des tumeurs solides [26]. Les gènes liés à l'immunité sont fréquemment utilisés pour construire des modèles de risque pronostique. Par exemple, Su et al. ont développé un modèle de risque pronostique lié à l'immunité, basé sur des gènes codant des protéines, pour prédire le pronostic des patientes atteintes d'un cancer de l'ovaire [27]. Les gènes non codants, tels que les ARNnc, sont également adaptés à la construction de modèles de risque pronostique [28, 29, 30]. Luo et al. ont testé quatre ARNnc liés à l'immunité et ont construit un modèle prédictif du risque de cancer du col de l'utérus [31]. Khan et al. Au total, 32 transcrits exprimés différemment ont été identifiés et, sur cette base, un modèle de prédiction avec 5 transcrits significatifs a été établi, qui a été proposé comme un outil hautement recommandé pour prédire le rejet aigu prouvé par biopsie après une transplantation rénale [32].
La plupart de ces modèles reposent sur les niveaux d'expression génique, qu'il s'agisse de gènes codant des protéines ou de gènes non codants. Cependant, un même gène peut présenter des valeurs d'expression différentes selon les génomes, les formats de données et les patients, ce qui entraîne une instabilité des estimations dans les modèles prédictifs. Dans cette étude, nous avons construit un modèle pertinent à partir de deux paires d'ARNnc, indépendamment de leurs valeurs d'expression exactes.
Dans cette étude, nous avons identifié pour la première fois des irlncRNA par analyse de corrélation avec des gènes liés à l'immunité. Nous avons criblé 223 DEirlncRNA par hybridation avec des lncRNA différentiellement exprimés. Ensuite, nous avons construit une matrice binaire (0 ou 1) selon la méthode d'appariement des DEirlncRNA publiée [31]. Nous avons ensuite réalisé des analyses de régression univariée et Lasso pour identifier les paires de DEirlncRNA pronostiques et construire un modèle de risque prédictif. Nous avons analysé l'association entre les scores de risque et les caractéristiques cliniques chez les patients atteints de PAAD. Nos résultats montrent que notre modèle de risque pronostique, en tant que facteur pronostique indépendant chez les patients atteints de PAAD, permet de différencier efficacement les patients de haut grade de ceux de bas grade, et inversement. De plus, les valeurs AUC de la courbe ROC du modèle de risque pronostique étaient de 0,905 pour la prédiction à 1 an, 0,942 pour la prédiction à 2 ans et 0,966 pour la prédiction à 3 ans.
Des chercheurs ont rapporté que les patients présentant une infiltration plus importante de lymphocytes T CD8+ étaient plus sensibles au traitement par inhibiteurs de points de contrôle immunitaire (ICI) [33]. Une augmentation du nombre de cellules cytotoxiques, de cellules NK CD56+, de cellules NK et de lymphocytes T CD8+ dans le microenvironnement immunitaire tumoral pourrait expliquer l'effet suppresseur de tumeur [34]. Des études antérieures ont montré que des taux plus élevés de lymphocytes T CD4+ et CD8+ infiltrant la tumeur étaient significativement associés à une survie prolongée [35]. Une faible infiltration de lymphocytes T CD8+, une faible charge néoantigénique et un microenvironnement tumoral fortement immunosuppresseur entraînent une absence de réponse à l'immunothérapie par ICI [36]. Nous avons constaté que le score de risque était corrélé négativement avec le nombre de lymphocytes T CD8+ et de cellules NK, ce qui indique que les patients présentant des scores de risque élevés pourraient ne pas être de bons candidats pour un traitement par ICI et auraient un pronostic plus défavorable.
CD161 est un marqueur des cellules NK (Natural Killer). Les lymphocytes T CD8+CD161+ transduits par CAR présentent une efficacité antitumorale in vivo accrue dans des modèles de xénogreffes d'adénocarcinome canalaire pancréatique HER2+ [37]. Les inhibiteurs de points de contrôle immunitaire ciblent la protéine 4 associée aux lymphocytes T cytotoxiques (CTLA-4) et les voies de signalisation de la protéine 1 de mort cellulaire programmée (PD-1)/ligand 1 de mort cellulaire programmée (PD-L1) et présentent un fort potentiel dans de nombreux domaines. L'expression de CTLA-4 et de CD161 (KLRB1) est plus faible dans les groupes à haut risque, ce qui suggère que les patients présentant un score de risque élevé pourraient ne pas être éligibles à un traitement par inhibiteurs de points de contrôle immunitaire [38].
Afin d'identifier des options thérapeutiques adaptées aux patients à haut risque, nous avons analysé différents médicaments anticancéreux et constaté que le paclitaxel, le sorafénib et l'erlotinib, largement utilisés chez les patients atteints d'adénocarcinome canalaire pancréatique (ACP), pourraient convenir aux patients à haut risque atteints d'ACP [33]. Zhang et al. ont montré que des mutations dans n'importe quelle voie de réponse aux dommages à l'ADN (RDA) peuvent entraîner un mauvais pronostic chez les patients atteints de cancer de la prostate [39]. L'essai POLO (Pancreatic Cancer Olaparib Ongoing) a démontré qu'un traitement d'entretien par olaparib prolongeait la survie sans progression par rapport au placebo après une chimiothérapie de première ligne à base de platine chez les patients atteints d'un adénocarcinome canalaire pancréatique porteurs de mutations germinales BRCA1/2 [40]. Ces résultats sont très encourageants et laissent entrevoir une amélioration significative des résultats thérapeutiques dans ce sous-groupe de patients. Dans cette étude, la valeur IC50 de l'AZD.2281 (olaparib) était plus élevée dans le groupe à haut risque, indiquant que les patients PAAD du groupe à haut risque peuvent être résistants au traitement par l'AZD.2281.
Les modèles de prévision de cette étude produisent de bons résultats, mais ils reposent sur des prévisions analytiques. La confirmation de ces résultats par des données cliniques constitue une question importante. L'échoendoscopie par aspiration à l'aiguille fine (EUS-FNA) est devenue une méthode indispensable pour le diagnostic des lésions pancréatiques solides et extrapancréatiques, avec une sensibilité de 85 % et une spécificité de 98 % [41]. L'avènement des aiguilles pour biopsie à l'aiguille fine sous échoendoscopie (EUS-FNB) repose principalement sur les avantages perçus par rapport à la FNA, tels qu'une meilleure précision diagnostique, l'obtention d'échantillons préservant la structure histologique et, par conséquent, la production de tissu immunologique, essentiel pour certains diagnostics, et des colorations spéciales [42]. Une revue systématique de la littérature a confirmé que les aiguilles FNB (en particulier de calibre 22G) présentent la plus grande efficacité pour le prélèvement de tissu à partir de masses pancréatiques [43]. En pratique clinique, seul un petit nombre de patients sont éligibles à une chirurgie radicale, et la plupart présentent des tumeurs inopérables au moment du diagnostic initial. En pratique clinique, seule une faible proportion de patients est éligible à une chirurgie radicale, la plupart présentant des tumeurs inopérables au moment du diagnostic initial. Après confirmation histologique par échoendoscopie avec ponction à l'aiguille fine (EUS-FNB) et autres méthodes, un traitement non chirurgical standardisé, tel que la chimiothérapie, est généralement privilégié. Notre programme de recherche ultérieur vise à tester le modèle pronostique de cette étude sur des cohortes chirurgicales et non chirurgicales par le biais d'une analyse rétrospective.
Globalement, notre étude a permis d'établir un nouveau modèle de risque pronostique basé sur l'appariement d'ARNnc recombinants, qui a démontré une valeur pronostique prometteuse chez les patients atteints d'un cancer du pancréas. Ce modèle pourrait contribuer à identifier les patients atteints d'un adénocarcinome pancréatique (PAAD) susceptibles de bénéficier d'un traitement médical.
Les jeux de données utilisés et analysés dans la présente étude sont disponibles auprès de l'auteur correspondant sur demande raisonnable.
Sui Wen, Gong X, Zhuang Y. Le rôle médiateur de l’auto-efficacité dans la régulation émotionnelle des émotions négatives pendant la pandémie de COVID-19 : une étude transversale. Int J Ment Health Nurs [article de revue]. 2021 ; 30(3) : 759-771.
Sui Wen, Gong X, Qiao X, Zhang L, Cheng J, Dong J, et al. Points de vue des familles sur les alternatives à la prise de décision en soins intensifs : une revue systématique. INT J NURS STUD [article de revue]. 2023 ; 137 : 104391.
Vincent A, Herman J, Schulich R, Hruban RH, Goggins M. Cancer du pancréas. Lancet. [Article de revue ; financement de la recherche : NIH, financement externe ; financement de la recherche : gouvernement hors des États-Unis ; revue]. 13/08/2011 ; 378(9791) : 607-20.
Ilic M, Ilic I. Épidémiologie du cancer du pancréas. World Journal of Gastroenterology. [Article de revue]. 2016 11/28/2016;22(44):9694–705.
Liu X, Chen B, Chen J, Sun S. Un nouveau nomogramme lié à tp53 pour prédire la survie globale des patients atteints d'un cancer du pancréas. BMC Cancer [article de revue]. 2021 ; 21(1) : 335.
Xian X, Zhu X, Chen Y, Huang B, Xiang W. Effet de la thérapie axée sur les solutions sur la fatigue liée au cancer chez les patients atteints d'un cancer colorectal sous chimiothérapie : un essai contrôlé randomisé. Cancer Nurse. [Article de revue ; essai contrôlé randomisé ; étude financée par un gouvernement hors des États-Unis]. 2022 ; 45(3) : E663–73.
Zhang Cheng, Zheng Wen, Lu Y, Shan L, Xu Dong, Pan Y, et al. Les taux postopératoires d'antigène carcinoembryonnaire (ACE) prédisent l'évolution après résection d'un cancer colorectal chez les patients présentant des taux préopératoires d'ACE normaux. Center for Translational Cancer Research. [Article de revue]. 2020 01.01.2020;9(1):111–8.
Hong Wen, Liang Li, Gu Yu, Qi Zi, Qiu Hua, Yang X, et al. Les lncARN liés à l'immunité génèrent de nouvelles signatures et prédisent le paysage immunitaire du carcinome hépatocellulaire humain. Mol Ther Nucleic acids [Article de revue]. 2020 ; 22 : 937-47.
Toffey RJ, Zhu Y., Schulich RD. Immunothérapie du cancer du pancréas : obstacles et avancées. Ann Gastrointestinal Surgeon [Article de revue]. 2018 ; 2(4) : 274-81.
Hull R, Mbita Z, Dlamini Z. ARN longs non codants (ARNnc), génomique tumorale virale et événements d'épissage aberrants : implications thérapeutiques. AM J CANCER RES [article de revue]. 2021 ; 11(3) : 866-883.
Wang J, Chen P, Zhang Y, Ding J, Yang Y, Li H. 11-Identification de signatures d'ARNnc associées au pronostic du cancer de l'endomètre. Achievements of science [article de magazine]. 2021 2021-01-01;104(1):311977089.
Jiang S, Ren H, Liu S, Lu Z, Xu A, Qin S, et al. Analyse exhaustive des gènes pronostiques des protéines de liaison à l'ARN et des candidats médicaments dans le carcinome papillaire à cellules rénales. pregen. [Article de revue]. 2021 01/20/2021;12:627508.
Li X, Chen J, Yu Q, Huang X, Liu Z, Wang X, et al. Les caractéristiques des ARN longs non codants liés à l'autophagie prédisent le pronostic du cancer du sein. pregen. [Article de revue]. 2021 01/20/2021;12:569318.
Zhou M, Zhang Z, Zhao X, Bao S, Cheng L, Sun J. Une signature de six lncRNA liés à l'immunité améliore le pronostic du glioblastome multiforme. MOL Neurobiology. [Article de revue]. 2018 ; 55(5) : 3684-97.
Wu B, Wang Q, Fei J, Bao Y, Wang X, Song Z, et al. Une nouvelle signature tri-lncRNA prédit la survie des patients atteints d'un cancer du pancréas. REPRESENTATIVES OF ONKOL. [Article de revue]. 12/01/2018;40(6):3427–37.
Luo C, Lin K, Hu C, Zhu X, Zhu J, Zhu Z. LINC01094 favorise la progression du cancer du pancréas en régulant l'expression de LIN28B et la voie PI3K/AKT par l'intermédiaire de miR-577 spongieux. Mol Therapeutics – Nucleic acids. 2021;26:523–35.
Lin J, Zhai X, Zou S, Xu Z, Zhang J, Jiang L, et al. Une rétroaction positive entre lncRNA FLVCR1-AS1 et KLF10 pourrait inhiber la progression du cancer du pancréas via la voie PTEN/AKT. J EXP Clin Cancer Res. 2021;40(1).
Zhou X, Liu X, Zeng X, Wu D, Liu L. Identification de treize gènes prédisant la survie globale dans le carcinome hépatocellulaire. Biosci Rep [article de revue]. 2021 04/09/2021.
Date de publication : 22 septembre 2023