بخش Ⅰ شناسایی و اعتبار سنجی امضای جفت ژن مرتبط با ایمنی برای سه سرطان اورولوژیک

خلاصه

بیومارکرهای قابل اعتمادی برای شناسایی بیماران سرطان اورولوژیک در معرض خطر بالای عود مورد نیاز است. در این مطالعه، ما یک امضای جدید جفت ژن مرتبط با ایمنی ایجاد کردیم تا به طور همزمان عود سه سرطان اورولوژیک را پیش‌بینی کنیم. ما 14 نمایه بیان ژن در دسترس عموم از جمله سرطان مثانه، پروستات و کلیه را جمع آوری کردیم. در مجموع 2700 نمونه در مجموعه آموزشی (n=1،622) و مجموعه اعتبارسنجی (n=1،078) طبقه بندی شدند. امضای 25 جفت ژن مرتبط با ایمنی متشکل از 41 ژن منحصربه‌فرد با کمترین انقباض مطلق و تحلیل رگرسیون اپراتور انتخاب و مدل رگرسیون کاکس ایجاد شد. این امضا، بیماران را به گروه‌های پرخطر و کم خطر با بقای بدون عود بسیار متفاوت در مجموعه متا تمرین و زیرجمعیت‌های آن طبقه‌بندی کرد و یک عامل پیش آگهی مستقل سرطان‌های اورولوژیک بود. این امضا توانایی قوی در گروه‌های اعتبارسنجی متا و چندگانه اعتبارسنجی مستقل را نشان داد. پاسخ ایمنی و التهابی، کموتاکسی، و فعالیت سیتوکین با ژن های مربوط به امضا غنی شد. سطح نفوذ قابل توجهی بالاتر ماکروفاژهای M1 در گروه پرخطر در مقابل گروه کم خطر یافت شد. در نتیجه، امضای ما یک بیومارکر پیش آگهی امیدوارکننده برای پیش‌بینی بقای بدون عود در بیماران مبتلا به سرطان اورولوژی است.

کلید واژه ها

سرطان های اورولوژیک؛ نشانگرهای زیستی؛ جفت ژن مربوط به ایمنی؛ بقای بدون عود؛ بیومارکر پیش آگهی؛فواید سیستانچ.

برای کسب اطلاعات بیشتر در مورد اینجا کلیک کنیداثرات سیستانچ چیست؟

معرفی

سرطان مثانه، سرطان پروستات و سرطان کلیه تومورهای اصلی در سیستم ادراری هستند و هر سال نزدیک به 2.4 میلیون مورد جدید تشخیص داده می شود [1]. پیشرفت درمان هدفمند و درمان نئوادجوانت بقای بیماران را طولانی تر کرده است [2-4]. با این حال، بسیاری از بیماران حتی پس از برداشتن کامل جراحی [5-7] دچار عود می شوند و پیش آگهی آنها هنوز خوش بینانه نیست. یک بیومارکر پیش آگهی قابل اعتماد که می تواند بیماران با خطر بالاتر عود را شناسایی کند و بیمارانی را انتخاب کند که به درمان ها پاسخ می دهند، برای مدیریت سرطان های اورولوژیک ارزشمند است.

امضاهای بیان ژن برای طبقه بندی بقای سرطان مثانه [8، 9]، سرطان پروستات [10، 11] و سرطان کلیه [12، 13] شناسایی شده است. با این حال، بیشتر نشانگرهای زیستی به دلیل تطبیق بیش از حد مجموعه داده های آموزشی یا عدم اعتبار کافی به عمل بالینی ترجمه نشده اند [14]. فرصتی برای توسعه نشانگرهای زیستی پیش آگهی قابل اعتمادتر توسط مجموعه داده های بیان ژن عمومی در مقیاس بزرگ به دست آمده است [15، 16]. با این حال، ادغام داده های به دست آمده از پلتفرم های مختلف یک چالش است. روش سنتی با توجه به سوگیری‌های فنی و ناهمگونی بیولوژیکی پلت‌فرم‌های متعدد، عادی‌سازی مجموعه‌های داده مختلف را دشوار کرده است [17، 18]. روش‌های جدید مبتنی بر رتبه‌بندی نسبی سطوح بیان ژن برای حذف نیاز به پیش‌پردازش داده‌ها استفاده شده‌اند و در بسیاری از کاربردها به نتایج قوی دست یافته‌اند [19-21].

شواهد فزاینده نشان داده است که ریزمحیط ایمنی تومور با تشکیل و پیشرفت سه تومور اصلی اورولوژیک مرتبط است [22-24]. مولکول‌های نقطه بازرسی ایمنی، مانند مرگ سلولی برنامه‌ریزی‌شده 1 (PD{3}})، لیگاند PD{4}} 1 (PD-L1) و آنتی‌ژن 4 مرتبط با لنفوسیت T سیتوتوکسیک (CTLA{10}}) پاسخ قابل توجه و بادوام در سرطان مثانه [25، 26]، سرطان پروستات [27، 28] و سرطان کلیه [29، 30] نشان داده اند. بنابراین، بیومارکرهای مربوط به ریزمحیط ایمنی تومور ممکن است به عنوان نشانگرهای پیش آگهی سرطان های اورولوژیک دارای پتانسیل باشند.

همانطور که شناخته شده است، سرطان مثانه، سرطان پروستات و سرطان کلیه از نظر تشریحی ارتباط نزدیکی دارند و ناشی از توهین های مشابهی هستند که باعث ایجاد تومور می شوند [31-33]. بنابراین، ما در این مطالعه امضایی بر اساس جفت‌های ژن مرتبط با ایمنی (IRGPs) برای پیش‌بینی همزمان عود سرطان مثانه، سرطان پروستات و سرطان کلیه ایجاد کرده‌ایم.

سیستانچه توبولوزا

مواد و روش ها

1. طراحی مطالعه و مجموعه داده ها

ما به طور جامع 14 پروفایل بیان ژن را در سه تومور اورولوژیک سرطان مثانه، پروستات و کلیه، از جمله هفت مجموعه داده ریزآرایه و هفت مجموعه داده RNA-Seq تجزیه و تحلیل کردیم (شکل تکمیلی 1). اعداد الحاقی، پلتفرم‌ها و اندازه نمونه‌های این پروفایل‌های بیان ژن در جدول تکمیلی 1 نشان داده شده‌اند. داده‌های RNA-Seq از UCSC Xena و کنسرسیوم بین‌المللی ژنوم سرطان (ICGC) دانلود شدند. داده‌های ریزآرایه از گذرگاه ژنی بیان ژن (GEO) دانلود شد. گروه‌های اطلس ژنوم سرطان (TCGA) به عنوان مجموعه آموزشی و سایر مجموعه داده‌ها به عنوان مجموعه اعتبار سنجی استفاده شدند. فقط بیماران با اطلاعات کامل بقا وارد شدند. ما همچنین بیمارانی را که پرتودرمانی، درمان نئوادجوانت، و درمان مولکولی هدفمند دریافت کرده بودند در همه گروه‌های آموزشی مستقل حذف کردیم. در مجموع، 2700 مورد در مطالعه ما قرار گرفتند. پروژه ما توسط کمیته بازبینی اخلاقی دانشگاه پزشکی چونگ کینگ تایید شد.

2. پردازش داده های بیان ژن

مجموعه داده‌های در دسترس عموم از GEO ابتدا با استفاده از تابع normalizeBetweenArrays که در بسته «limma» پیاده‌سازی شده است، نرمال‌سازی شدند و سپس به صورت log تبدیل شدند. روش های عادی سازی در گروه های TCGA و ICGC استفاده نشد.

3. شناسایی IRGP های خاص برای پیش بینی پیش آگهی

ما ژن‌های مرتبط با ایمنی (IRGs) را از پایگاه داده ImmPort که در 3/3/2 مشاهده شد دانلود کردیم021. 2483 IRG منحصر به فرد، شامل 17 دسته، از جمله سیتوکین ها، گیرنده های سیتوکین، پردازش آنتی ژن، مسیرهای ارائه، اینترلوکین ها، سمیت سلولی سلول های کشنده طبیعی، TGFb، و اعضای خانواده TNF. فقط IRG های اندازه گیری شده توسط همه پلت فرم ها با انحراف مطلق میانه > 0.5 در همه مجموعه های آموزشی مستقل انتخاب شدند. امتیاز برای هر IRGP با مقایسه دو به دو سطح بیان ژن در نمونه خاصی از پروفایل ها ایجاد شد. اگر سطح بیان IRG 1 بزرگتر از IRG 2 باشد، امتیاز IRGPs 1 تعریف می شود. در غیر این صورت، امتیاز سپاه پاسداران 0 [34] تعیین شد. پس از حذف IRGP ها با مقادیر ثابت در هر مجموعه داده فردی، IRGP های باقی مانده بیشتر مورد تجزیه و تحلیل قرار گرفتند.

4. ساخت شاخص جفت ژن مربوط به ایمنی (IRGPI) برای پیش‌بینی پیش آگهی

IRGP های پیش آگهی بر اساس مراحل زیر انتخاب شدند. در مرحله اول، توانایی پیش‌بینی هر IRGP برای پیش‌بینی بقای بدون عود بیماران (RFS) با استفاده از مدل رگرسیون کاکس در مجموعه داده‌های فراآموزشی، و IRGPs با مقدار p < 0.05 مورد ارزیابی قرار گرفت. به عنوان نشانگرهای کاندید اولیه انتخاب شدند. ثانیا، تحلیل عملگر حداقل انقباض و انتخاب (LASSO) برای فیلتر کردن بیشتر برخی از IRGP های کم اطلاعات مورد استفاده قرار گرفت. پارامتر تنظیم توسط خطای تعمیم مورد انتظار برآورد شده از اعتبار سنجی متقاطع برابر 10- تعیین شد. برای بهبود استحکام، مجموعه داده‌های فراآموزشی کامل را به‌طور تصادفی به مجموعه‌های آموزشی و آزمایشی جدید با نسبت 2:1 تقسیم کردیم و طرح تقسیم تصادفی را 30 بار تکرار کردیم تا روند انتخاب IRGP تثبیت شود. سپس مدل LASSO بر روی 30 مجموعه آموزشی اعمال شد و آن دسته از IRGP ها با فرکانس > 15 انتخاب شدند. در نهایت، از مدل رگرسیون چند متغیره کاکس برای ساخت مدل پیش‌بینی مبتنی بر IRGPs و تولید IRGPI برای همه نمونه‌ها استفاده شد. بیماران با استفاده از مقدار متوسط ​​IRGPI به گروه های کم خطر و با ایمنی بالا طبقه بندی شدند.

عصاره سیستانچ

5. ارزیابی و اعتبار IRGPI

The prognostic value of the IRGPI was evaluated in the meta-training and independent training sets and was further verified in the meta-validation and multiple independent validation sets. The log-rank test and time-dependent receiver operating characteristic (ROC) curves were adopted to assess the prognostic accuracy of the IRGPI. We combined IRGPI with clinical factors of age, gender, and tumor stage in multivariate Cox analyses. Age (>60) به 1 تبدیل شد و سن (<60) was transformed into 0. Stages III and IV were transformed into 1, and stage I and II were transformed into 0.

6. پروفایل سلول های ایمنی نفوذی

CIBERSORT ترکیب سلول های ایمنی را با استفاده از پروفایل های بیان ژن توده ای مشخص می کند [35]. نسبت نسبی 22 نوع سلول ایمنی نفوذی را بر اساس مقادیر بیان ژن مرجع (LM22) استنباط کرد [35]. در این مطالعه، نسبت 22 سلول ایمنی نفوذی با استفاده از بسته R 'CIBERSORT' تعیین شد. Perm روی 1،000 تنظیم شد و موارد با مقدار p-value خروجی CIBERSORT < 0.05 برای تجزیه و تحلیل بیشتر انتخاب شدند. آزمون مجموع رتبه Wilcoxon برای مقایسه تفاوت در زیرگروه های سلول های ایمنی بین گروه های IRGPI بالا و پایین استفاده شد.

7. تجزیه و تحلیل هستی شناسی ژن (GO).

بسته R 'clusterProfiler' برای انجام تجزیه و تحلیل غنی‌سازی GO ژن‌های مرتبط با IRGPI در گروه فراآموزشی مورد استفاده قرار گرفت. مقدار p تنظیم شده توسط بنجامینی هاچبرگ < 0.05 (نرخ کشف نادرست، FDR) به عنوان آستانه برای تعیین اهمیت استفاده شد.

8. ساخت و ارزیابی نوموگرام

یک نوموگرام برای ایجاد یک رویکرد کمی برای پیش‌بینی RFS در گروه فراآموزشی بر اساس IRGPI و عوامل بالینی ساخته شد، که بیشتر در گروه‌های متا اعتبارسنجی تأیید شد. برای هر عامل یک امتیاز محاسبه شد و سپس مجموع امتیازات همه عوامل برای تخمین نرخ RFS در 1، 3، 5 و 10 سال به دست آمد. سپس نمودارهای کالیبراسیون برای ارزیابی پایایی نوموگرام ترسیم شد.

سیستانچ استاندارد شده

9. تجزیه و تحلیل آماری

بسته R 'بقا'، 'glmnet'، 'sure miner'، 'timeROC'، 'rms'، 'CIBERSORT' و 'clusterProfiler' برای ساخت مدل رگرسیون کاکس، مدل LASSO، منحنی Kaplan-Meier، زمان استفاده شد. منحنی ROC وابسته، نوموگرام، محاسبات ترکیب سلولی ایمنی و تجزیه و تحلیل GO. ارتباط نمره IRGPI با RFS با آزمون log-rank مورد تجزیه و تحلیل قرار گرفت. مدل رگرسیون کاکس برای انجام یک تحلیل چند متغیره از ارتباط IRGPI با RFS اتخاذ شد. یک مقدار p دو طرفه < 0.05 برای همه آزمون‌ها از نظر آماری معنی‌دار در نظر گرفته شد. تمام تجزیه و تحلیل های آماری با استفاده از R (نسخه 4.0.2) انجام شد.

منابع

1. Sung H، Ferlay J، Siegel RL، Laversanne M، Soerjomataram I، Jemal A، Bray F. آمار جهانی سرطان 2020: برآوردهای GLOBOCAN از بروز و مرگ و میر در سراسر جهان برای 36 سرطان در 185 کشور. CA سرطان جی کلین. 2021; 71:209-49.

2. Seiler R، Oo HZ، Tortora D، Clausen TM، Wang CK، Kumar G، Pereira MA، Ørum-Madsen MS، Agerbæk MØ، Gustavson T، Nordmaj MA، Rich JR، Lallous N، و همکاران. یک اصلاح گلیکوزامینوگلیکان Oncofetal دسترسی درمانی به سرطان مثانه مقاوم به سیس پلاتین را فراهم می کند. یورو اورول. 2017; 72:142-50.

3. Maroto P، Solsona E، Gallardo E، Mellado B، Morote J، Arranz JÁ، Gómez-Veiga F، Unda M، Clement MÁ، Alcaraz A. نظر متخصص در مورد درمان خط اول در درمان سرطان پروستات مقاوم به اخته . Crit Rev Oncol Hematol. 2016; 100:127-36.

4. Fu Q، Xu L، Wang Y، Jiang Q، Liu Z، Zhang J، Zhou Q، Zeng H، Tong S، Wang T، Qi Y، Hu B، Fu H، و همکاران. اینترلوکین مشتق از ماکروفاژ مرتبط با تومور-23 اعتیاد به گلوتامین سرطان کلیه را با فرار سیستم ایمنی پیوند می دهد. یورو اورول. 2019; 75:752-63.

5. Zhao Z، Wang Y، Zhang JJ، Huang XY. مهارکننده‌های فاسین، مهاجرت و چسبندگی سلولی را کاهش می‌دهند در حالی که بقای کلی موش‌های حامل سرطان مثانه را افزایش می‌دهند. سرطان ها (بازل). 2021; 13:2698.

6. Peltomaa AI، Raittinen P، Talala K، Taari K، Tammela TL، Auvinen A، Murtola TJ. پیش آگهی سرطان پروستات پس از شروع درمان محرومیت از آندروژن در بین مصرف کنندگان استاتین یک مطالعه کوهورت مبتنی بر جمعیت. سرطان پروستات دیس پروستات. 2021; 24:917-24.

7. Tian M، Wang T، Wang P. توسعه و اعتبار سنجی بالینی یک امضای پیش آگهی هفت ژنی بر اساس الگوریتم های یادگیری ماشینی متعدد در سرطان کلیه. پیوند سلولی 2021; 30:963689720969176.

8. Zhang C، Gou X، He W، Yang H، Yin H. امضای mRNA 4- مبتنی بر گلیکولیز با پیش آگهی و فرآیند چرخه سلولی در بیماران مبتلا به سرطان مثانه مرتبط است. Cancer Cell Int. 2020; 20:177.

9. Chen S، Zhang N، Shao J، Wang T، Wang X. یک ترکیب جدید امضای ژن، پیش بینی بقای کلی در سرطان مثانه را بهبود می بخشد. جی سرطان. 2019; 10:5744-53.

10. Xu Z، Xu L، Liu L، Li H، Jin J، Peng M، Huang Y، Xiao H، Li Y، Guan H. یک امضای پنج ژن مرتبط با گلیکولیز، بقای بدون عود بیوشیمیایی را در بیماران مبتلا به پروستات پیش بینی می کند. آدنوکارسینوم. اونکول جلو. 2021; 11:625452.

11. Nguyen HT، Xue H، Firlej V، Ponty Y، Gallopin M، Gauthier D. امضاهای رونوشت بدون مرجع برای پیش آگهی سرطان پروستات. سرطان BMC. 2021; 21:394.

12. Lu J، Qian C، Ji Y، Bao Q، Lu B. امضای ژن مرتبط با ژن های برومودومین، پیش آگهی کارسینوم سلول شفاف کلیه را پیش بینی می کند. ژنت جلو. 2021; 12:643935.

13. Wu Y، Wei X، Feng H، Hu B، Liu B، Luan Y، Ruan Y، Liu X، Liu Z، Liu J، Wang T. تجزیه و تحلیل یکپارچه برای شناسایی یک امضای پیش آگهی مرتبط با ردوکس برای سلول کلیوی شفاف سرطان. Oxid Med Cell Longev. 2021; 2021:6648093.

14. Shi R، Bao X، Unger K، Sun J، Lu S، Manapov F، Wang X، Belka C، Li M. شناسایی و اعتبار امضای ژن مشتق شده از هیپوکسی برای پیش‌بینی نتایج بالینی و پاسخ‌های درمانی در مرحله اول بیماران آدنوکارسینوم ریه . ترانوستیک ها 2021; 11:5061-76.

15. Brendel M، Barthel H، van Eimeren T، Marek K، Beyer L، Song M، Palleis C، Gehmeyr M، Fietzek U، Respondek G، Sauerbeck J، Nitschmann A، Zach C، و همکاران. ارزیابی 18F-PI{3}} به عنوان نشانگر زیستی در فلج فوق هسته ای پیشرونده. JAMA Neurol. 2020; 77:1408-19.

16. لی ای اس، جونگ سی، کیم جی، کیم جی جی، یو تی کی، کیم وای جی، لی کی اس، لی ای اس، کیم ای کی، مین جی دبلیو، هان دبلیو، نو دی وای، مون اچ جی. شناسایی بازماندگان طولانی مدت بالقوه در میان بیماران مبتلا به سرطان پستان با متاستاز دوردست. ان اونکول. 2016; 27:828-33.

17. Franks JM، Cai G، Whitfield ML. نرمال‌سازی چندک ویژه ویژگی، طبقه‌بندی متقابل پلتفرمی زیرگروه‌های مولکولی را با استفاده از داده‌های بیان ژن امکان‌پذیر می‌سازد. بیوانفورماتیک. 2018; 34:1868-74.

18. Shen Y، رحمان M، Piccolo SR، Gusenleitner D، ElChaar NN، Cheng L، Monti S، Bild AH، Johnson WE. ASSIGN پروفایل ژنومی متن خاص مسیرهای بیولوژیکی ناهمگن چندگانه. بیوانفورماتیک. 2015; 31:1745-53.

19. Wu J، Zhao Y، Zhang J، Wu Q، Wang W. توسعه و اعتبار امضای جفت ژن مرتبط با ایمنی در سرطان کولورکتال. انکوایمونولوژی. 2019; 8:1596715.

20. Xu F، Zhan X، Zheng X، Xu H، Li Y، Huang X، Lin L، Chen Y. امضای جفت ژن مرتبط با ایمنی، پیامدهای انکولوژیک و پاسخ به ایمونوتراپی را در آدنوکارسینوم ریه پیش بینی می کند. ژنومیک. 2020; 112:4675-83.

21. Wang S, Xu X. یک جفت ژن مرتبط با ایمنی برای پیش بینی بقا در گلیوبلاستوما. اونکول جلو. 2021; 11:564960.

22. Pfannstiel C، Strissel PL، Chiappinelli KB، Sikic D، Wach S، Wirtz RM، Wullweber A، Taubert H، Breyer J، Otto W، Worst T، Burger M، Wullich B، و همکاران، و کنسرسیوم BRIDGE، آلمان. ریزمحیط ایمنی تومور یک ارتباط پیش آگهی را ایجاد می کند که با زیرگروه های سرطان مثانه مرتبط است. Cancer Immunol Res. 2019; 7:923-38.

23. Long X، Hou H، Wang X، Liu S، Diao T، Lai S، Hu M، Zhang S، Liu M، Zhang H. امضای ایمنی ناشی از بازسازی ریزمحیط ایمنی ناشی از ADT در سرطان پروستات با عود همبستگی دارد. بقای رایگان و نفوذ ایمنی سلول مرگ دیس. 2020; 11:779.

24. Vuong L، Kotecha RR، Voss MH، Hakimi AA. دینامیک ریزمحیط تومور در کارسینومای سلول کلیوی شفاف. کشف سرطان. 2019; 9:1349-57.

25. Maio M، Blank C، Necchi A، Di Giacomo AM، Ibrahim R، Lahn M، Fox BA، Bell RB، Tortora G، Eggermont AM. ایمونوتراپی نئوادجوانت در حال تغییر شکل مدیریت سرطان در انواع مختلف تومور است: آینده اکنون است! Eur J سرطان. 2021; 152:155-64.

26. Kates M، Nirschl TR، Baras AS، Sopko NA، Hahn NM، Su X، Zhang J، Kochel CM، Choi W، McConkey DJ، Drake CG، Bivalacqua TJ. ترکیبی از توالی یابی نسل بعدی و آنالیز فلوسیتومتری برای یک پاسخ دهنده جزئی AntiPD-L1 در طول زمان: بررسی مکانیسم های فعالیت و مقاومت PD-L1 در سرطان مثانه. یورو اورول اونکول. 2021; 4:117-20.

27. Sharma P، Pachynski RK، Narayan V، Fléchon A، Gravis G، Galsky MD، Mohammed H، Patnaik A، Subudhi SK، Ciprotti M، Simsek B، Saci A، Hu Y، و همکاران. Nivolumab Plus Ipilimumab برای سرطان پروستات مقاوم به اخته متاستاتیک: تجزیه و تحلیل اولیه بیماران در کارآزمایی CheckMate 650. سلول سرطانی 2020; 38:489-99.e3.

28. Ruiz de Porras V، Pardo JC، Notario L، Etxaniz O، Font A. بازدارنده‌های ایمن بازرسی: یک گزینه درمانی امیدوارکننده برای سرطان پروستات مقاوم به اخته متاستاتیک؟ Int J Mol Sci. 2021; 22:4712.

29. Kamai T، Kijima T، Tsuzuki T، Nukui A، Abe H، Arai K، Yoshida KI. افزایش بیان گیرنده های آدنوزین 2A در کارسینومای متاستاتیک سلول کلیوی با پاسخ ضعیف تر به عوامل ضد فاکتور رشد اندوتلیال عروقی و آنتی بادی های ضد PD-1/AntiCTLA4 و بقای کوتاه تر همراه است. سرطان ایمونول ایمونوتر. 2021; 70:2009-21.

30. Chu G، Xu T، Zhu G، Liu S، Niu H، Zhang M. شناسایی یک امضای جدید مبتنی بر پروتئین برای بهبود پیش‌بینی پیش‌آگهی در کارسینوم سلول شفاف کلیه. جلو مول بیوسی. 2021; 8:623120.

31. Gorin MA، Verdone JE، van der Toom E، Bivalacqua TJ، Allaf ME، Pienta KJ. سلول های تومور در گردش به عنوان نشانگرهای زیستی سرطان پروستات، مثانه و کلیه. Nat Rev Urol. 2017; 14:90-7.

32. Tölle A, Suhail S, Jung M, Jung K, Stephan C. پروتئین های اتصال دهنده به اسید چرب (FABPs) در رده های سلولی سرطان پروستات، مثانه و کلیه و استفاده از IL-FABP به عنوان پیش بینی کننده بقا در بیماران مبتلا به کارسینوم سلول کلیوی . سرطان BMC. 2011; 11:302.

33. Jungwirth N، Haeberle L، Schrott KM، Wullich B، Krause FS. سروتونین به عنوان یک نشانگر پیش آگهی تومورهای اورولوژی استفاده می شود. جهانی جی ارول. 2008; 26:499-504.

34. Li B، Cui Y، Diehn M، Li R. توسعه و اعتبار سنجی یک امضای پیش آگهی ایمنی فردی در سرطان ریه سلول غیرکوچک غیرسکویی در مراحل اولیه. جاما اونکول. 2017; 3:1529-37.

35. Newman AM، Liu CL، Green MR، Gentles AJ، Feng W، Xu Y، Hoang CD، Diehn M، Alizadeh AA. شمارش قوی زیر مجموعه های سلولی از پروفایل های بیان بافت. روش های Nat. 2015; 12:453-7.

Biao Xie 1، Kangjie Li 1، Hong Zhang 1، Guichuan Lai 1، Dapeng Li 2، Xiaoni Zhong 1.

1. گروه آمار زیستی، دانشکده بهداشت عمومی و مدیریت، دانشگاه پزشکی چونگ کینگ، چونگ کینگ، چین

2. موسسه کبد شناسی، مرکز ملی تحقیقات بالینی بیماری های عفونی، بیمارستان سوم مردمی شنژن، شنژن، چین