). Concordant results were confirmed in the internal and external validation cohort. The efficiency of the prediction model was also confirmed under different clinical subgroups. The high-risk group was significantly identified as the risk factor of recurrence in LUAD by the multivariate Cox analysis (, ). Compared to clinicopathological features, our prediction model possessed higher accuracy to identify patients with high risk of recurrence (). Finally, we found that the G2M checkpoint pathway was enriched both in recurrent tumors and primary tumors of high-risk patients. Conclusions. Our recurrence-specific gene-based prognostic prediction model provides extra information about the risk of recurrence in LUAD, which is conducive for clinicians to conduct individualized therapy in clinic."> 通过机器学习算法进行肺腺癌的特异性基于基因预测预测模型 - raybet雷竞app,雷竞技官网下载,雷电竞下载苹果
标识“src=
rayapp
PDF.
rayapp /2020/文章
特刊

2020年人类疾病调查的多尺度大规模生物数据综合分析

查看此特殊问题

研究文章|开放访问

体积 2020 |文章ID. 9124792. | https://doi.org/10.1155/2020/9124792

邵华徐，杰周，刘刘，周淼陈，正福他那 “通过机器学习算法进行肺腺癌的特异性基于基因预测预测模型“，生物医学研究的国际那 卷。2020那 文章ID.9124792.那 10. 页面那 2020． https://doi.org/10.1155/2020/9124792

通过机器学习算法进行肺腺癌的特异性基于基因预测预测模型

邵华徐那1 杰周那2 刘刘那1 周淼陈那1 和 郑福他1

1胸外科，浙江大学医学院先生跑龙湖医院，30000浙江省东清春路3号

2浙江省杭州市青春路东路3号浙江大学医学院邵逸夫爵士医院神经外科

学术编辑：陶黄
已收到 2020年7月15日
修改后的 2020年8月31日
公认 10月20日10月18日
发表 2020年11月09

抽象的

背景．治愈外科切除后，约30-75％的肺腺癌（Luad）患者患有令人沮丧的存活结果。迫切需要鉴定复发风险高，迫切需要施加强烈治疗。材料和方法．从癌症基因组地图集（​​TCGA）和基因表达综合征（GEO）数据库中获得了管道的基因表达数据。通过比较反复化和原母组织来计算差异表达基因（DEGS）。使用单变量分析鉴定了与水道患者的复发存活（RFS）相关的预后基因。套索COX回归和多元COX分析施用以提取密钥基因并建立预测模型。结果．我们在原发性和复发性LUAD肿瘤中检测到37个DEGs。通过单因素分析，发现31个DEGs与RFS显著相关。采用LASSO Cox回归建立了包含13个基因的RFS预测模型。在培训队列中，我们将患者分为高风险组和低风险组，发现高危组患者的RFS较低风险组患者更严重( ）.内部和外部验证队列证实了一致的结果。在不同的临床亚组下还确认了预测模型的效率。高风险组被多元COX分析显着识别为管道复发的危险因素（ 那 ）.与临床病理特征相比，我们的预测模型在识别高风险复发患者方面具有更高的准确性( ）.最后，我们发现G2M检查点途径在复发性肿瘤和高风险患者的原发性肿瘤中富集。结论．我们的复发特异性基因预测预后模型为LUAD复发风险提供了额外的信息，有助于临床医生在临床上进行个体化治疗。

1.介绍

肺癌，5年的总存活率（OS）率低至23％[1，是威胁全世界人民健康的主要癌症[2］．肺癌包括两种主要的组织学类型:非小细胞肺癌(约83%)和小细胞肺癌[1］．根据癌症统计审查2012 [3.]，肺腺癌(LUAD)占肺癌的43.3%，取代鳞状细胞肺癌成为最常见的肺癌类型。对于早期LUAD患者，建议手术切除[4.］．但是，在治愈外科切除后，约30-75％的专利患有复发[5.-7.］．一旦发生复发，存活结果是令人沮丧的，患有8-14个月的Postrecurrence存活率（PRS）[8.1年死亡率高达48.3％-80.6％，具体取决于肿瘤阶段[9.那10.］．

鉴定提交复发和强加强烈治疗的高可能性患者可能会提高拉德的生存结果。管道患者的临床决策主要是基于TNM阶段，手术边缘，分化，血管侵袭等临床病理学特征，或类似表皮生长因子受体（EGFR）突变和BRAF v600E突变的单一基因突变状态[11.那12.］．然而，这些临床病理学功能未能清楚地识别复发风险高的患者。由于肿瘤引发与许多受调节的途径复杂，因此研究人员假设多庚烯谱能力能够区分异质性存活结果的患者[13.］．几个组开发了基于基于基于基于基于基于基于基于基于基于基于基于基于基于基于基于基于基于基于基于的预测模型，以使Luad患者分为高风险的群体[13.-18.］．基于定量-PCR测定，David M Jablons教授开发了一种14-基因表达预测模型，将患者分解为低风险，中间风险和高风险群体。5年的OS分别为71.4％，58.3％，低风险，中等风险和高风险患者的49.2％[19.］．从累积的公共表达数据库中受益于癌症基因组Atlas（TCGA）和基因表达综合征（Geo），Chun-Lai Lu教授通过使用来自TCGA的表达数据筛选预后相关基因而构建了风险模型[20.］．这些基因签名中的许多基于文献回顾或大致筛选使用COX回归的生存相关基因，这使得它们不足以在临床中广泛化。

合理假设，在特定于复发特异性基因的基础上建立预测模型将更好地区分高危患者的复发患者。因此，旨在识别高风险的水道患者复发患者，我们使用公共地理数据集探索了复发相关基因，并使用来自TCGA的管道患者的表达数据建立了一种自由生存（RFS）预测模型，并验证了其准确性和外部数据集的可行性。

2.方法

2.1。数据集描述

从基因表达综合（GEO）网站下载了初级和反复化路障（GSE7880）和外部验证队列（GSE68465）的基因表达谱（GSE68465）（https：//www.ncbi.nlm.．http://nih.gov/geo.）.癌症基因组Atlas（TCGA）队列的表达矩阵从TCGA网站下载（https://xenabrowser.net/datapages/)，以及匹配的临床记录。滤除无明显RFS的患者。从TCGA数据库中获得足够RFS的患者随机分为训练和测试子集，比例为7:3。

２.２.差异表达基因的鉴定

使用“利马”包来识别微阵列的数据（GSE7880）的差异表达基因（GSE7880）[21.[虽然使用“DESEQ2”包来识别基于序列的数据（TCGA）的次数[22.］．基于绝对确定的两个数据集的次数 A. 值小于0.05。GSEA [23.]软件计算Hallmark基因集的归一化富集分数(NES)和错误发现率(FDR)值[24.］．根据对数折叠变化值预先手术的基因。NE对应于富集评分（ES），其反映了基因组在排名基因列表的顶部或底部超过了基因集的程度。标准化基于所有数据集排列的基因设定富集分数。

2.3。预测模型的发展

使用R平台上的相关R包计算所有数据分析（https://cran.r-project.org/src/base/r-3/)(版本操作)。使用“生存”包(v3.1-8)进行单变量和多变量Cox回归分析。将TCGA基因表达值归一化为 并进行单变量COX回归分析，以找出RFS相关的基因候选者（ ）使用deg(注意:TPM，每千碱基的外显子模型每百万映射读取的转录本)。然后进行LASSO Cox回归分析，选择预测能力最好的特征(基因签名)。采用多因素Cox回归分析构建预后模型，计算每个患者的风险评分，并将其分为低- ( ）和高风险( ）子组。用“rms”封装（v5.1-4）计算存活图，该封装（v5.1-4）用于检测这两个亚组之间的RFS风险的显着差异，并且进行了Logrank测试，以说明两个子组之间的差异显着性．此外，采用接收器操作特征（ROC）曲线来测试该预后模型的稳定性和灵敏度使用R包“PROC”（V1.16.1）[25.］．

结果

3.1。鉴定管道复发特异性基因

旨在鉴定与管道复发相关的基因，我们收集了含有来自Geo（GSE7880）的初级和复发的路障样品的表达微阵列数据集。我们在使用“蕾丝”包装中检测到初级和经常性的路障之间的曲线。绝对基因 和 值<0.05被认为是统计学上有显着的次数。总而言之，我们确定了37次，其中包括19种上调基因和18个反复性肿瘤中的下调基因（图1（a）；表格S1）.基因集富集分析(GSEA)表明复发性LUAD与G2M检查点通路( ； ）和克拉斯信令路径（ ； ）(数据1（b）和1（c））.

（一种）“name=
（一种）
（b）“name=
（b）
（C）“name=
（C）
图1
经常性和原发性路障之间的差异表达基因：（a）在GSE7880队列中的复发性和原发性水样样品之间显示次数的火山曲线;（B，C）棒图，显示使用基因设定富集分析富集的致复发性肿瘤中的G2M检查点途径（B）和KRA信号通路（C）。
３．２．基于复发特异性基因的RFS预测模型的建立

为了开发LUAD的强大RFS预测模型，我们收集了426例拉德患者的TCGA患者的表达数据，可用清除RFS。我们从TCGA数据集中提取了37℃的表达谱，并进行了单变量Cox回归分析以鉴定RFS相关基因候选。结果，发现31种基因与水路患者的RFS显着相关（ 那Logrank测试;数字S1）.然后，我们将70％的70％从TCGA数据集中作为培训队列（298个样本）和其余测试队列（128个样本）（表1）.采用LASSO Cox回归分析提取训练队列中RFS预测能力最强的关键基因。最后，13个关键基因包括actr2.那Aldh2.那FBP1那希拉那ITGB2.那MLF1那p4ha1.那S100A10那S100B那“非典”那scgb1a1.那SERPIND1， 和vsig4.提取，建立RFS预测模型。我们利用多变量Cox回归建立了基因表达的RFS预测模型: （数字2）. 推断患者的复发风险低，而 患有高患者复发风险高的患者。
TCGA培训队列（288） TCGA测试队列（128） 外部验证队列（335）
性别
女 167例(56.04%) 64（50％） 189例(56.42%)
 Male 131（43.96％） 64（50％） 146（43.58％）
年龄
≥60 201（67.45％） 95（74.22％） 234（69.85％）
 <60 88（29.53％） 32（25％） 101例(30.15%)
 Unknown 9 (3.02%) 1 (0.78%) 0（0％）
病理T.
 T1 109（36.58％） 41（32.03％） 110（32.84％）
 T2 160（53.69％） 67（52.34％） 202（60.29％）
 T3 21（7.05％） 13（10.16％） 16（4.78％）
 T4 6（2.01％） 6（4.69％） 5（1.49％）
 Unknown 2（0.67％） 1 (0.78%) 2（0.60％）
病理N.
 N0 201（67.45％） 80（62.50％） 299（89.25％）
 N1 52（17.45％） 26（20.31％） 88例(26.27%)
 N2 38（12.75％） 17（13.28％） 53（14.93％）
 N3 2（0.67％） 0（0％） 0（0％）
 Unknown 5（1.68％） 5（3.91％） 0（0％）
病理M. NA.
 M0 192（64.43％） 83（64.84％） 0（0％）
 M1 12（4.03％） 5（3.91％） 0（0％）
 Unknown 94例(31.54%) 40（31.25％） 335例(100%)
肿瘤阶段
 I 171（57.38％） 64（50.00％） 150（33.86％）
 II 69（23.15％） 33 (25.78%) 252（56.88％）
3 43 (14.43%) 21 (16.41%) 29（6.55％）
 IV 12（4.03％） 6（4.69％） 12（2.71％）
 Unknown 3 (1.01%) 4（3.13％） 0（0％）
表1
包括患者患者的临床特征，用于生存模型建设与验证。
（一种）“name=
（一种）
（b）“name=
（b）
图2
基于复发特异性基因的RFS预测模型的建立。(a)根据log lambda序列生成系数剖面图。(b) LASSO模型中的调优参数(lambda)选择使用了10倍交叉验证，通过最小标准。
3.3。RFS预测模型的效率

使用RFS预测模型，训练队列和验证队列中分别有48.66%和49.22%的患者被划分为高危组。我们发现，在训练队列中，高危患者的RFS比低危患者更严重(中位RFS: 795天vs 3521天; 那Logrank测试;数字3(一个)）.一致的是，验证队列进一步证实了类似的结果(中位RFS: 1084天vs 2701天; 那Logrank测试;数字3 (b)）.此外，我们使用David G Beer教授报告的外部验证队列(443例患者)验证了预测模型的有效性[26.]来自GEO数据库(GSE68465;表格1）.在提取了13个关键基因的表达数据后，我们将患者分为高危组和低危组。正如预期的那样，高危患者的RFS比低危患者更差(中位RFS: 31.50个月vs. 59.17个月; 那Logrank测试;数字3 (c)）.此外，我们在临床病理亚组中评估了我们预测模型的效率。在年龄，性别，病理阶段，吸烟历史和肺实质的位置，与高风险群体相比，低风险组患者发生了更好的RFS（图3 (d)-3（g）；数字S2A-F）。

（一种）“name=
（一种）
（b）“name=
（b）
（C）“name=
（C）
(d)“name=
(d)
(e)“name=
(e)
(f)“name=
(f)
(g)“name=
(g)
（H）“name=
（H）
（一世）“name=
（一世）
图3
RFS预测模型的效率。(a) Kaplan-Meier (K-M)曲线证实该特征能显著区分训练队列中的低、高危人群。(b) K-M曲线证实该特征能显著区分内部验证队列中的低、高危人群。(c) K-M曲线证实该特征能显著区分外部验证队列(GSE68465)中的低、高危人群。(d - g) K-M曲线证实预测模型可以区分病理亚组(d, e)和吸烟史亚组(f, g)中的低、高危组。(h)森林图显示多变量cox分析结果。(i)受试者工作特征曲线显示，与其他临床病理特征相比，预测模型获得了较好的预测效果。

结合患者年龄、性别、病理分期、吸烟史、肺实质位置、表达亚型等临床病理特征[27.]通过我们的预测签名，我们进行了多元COX回归分析。除了我们的预测签名外，临床病理学签名都没有与RFS的风险有关（ 那CI：1.75-99.10， 那Logrank测试;数字3（h））.此外，我们怀疑去临床签名的效率是否优于其他临床病理签名，因此我们使用ROC曲线比较了RFS预测模型的稳定性和灵敏度（图3（i））.与其他临床病理特征相比，RFS预测模型实现了预测RFS的最高效率（ ；数字3（i））.与其他临床病理学特征相比，共复发特异性基因的签名能够更好地分层管道患者进入高风险群体。

3.4。与拉德复发风险相关的关键途径

为了找出与LUAD复发相关的关键分子途径，我们检测了整个TCGA LUAD队列中高危和低危患者之间的deg。我们共检测到2216个显著的deg，其中高危人群中994个基因表达上调，1222个基因表达下调(图)4(一)；表格S3）.然后，GSEA发现Myc目标途径（ ； )，mTORC1信号通路( ； )，上皮间充质转换（EMT）途径（ ； )，和细胞周期相关的途径，如G2M检查点途径（ ； )，E2F目标途径（ ； )，和有丝分裂主轴途径（ ； ）在高危患者中富集(图4（b）-4（h））.如前所述，所有这些途径与肿瘤进展相关[28.-33］．应注意，G2M检查点途径是唯一富含复发性肿瘤和初级肿瘤的途径，具有高的复发风险（图1（b）和4（f）)，这表明它有可能成为易于复发患者的治疗靶点。

（一种）“name=
（一种）
（b）“name=
（b）
（C）“name=
（C）
(d)“name=
(d)
(e)“name=
(e)
(f)“name=
(f)
(g)“name=
(g)
（H）“name=
（H）
图4
与LUAD复发高风险相关的关键通路。(a)显示整个TCGA队列中高风险和低风险LUAD之间差异的火山图。(b-h)基因集富集分析显示高危患者贺曼通路富集。

4.讨论

为了识别具有异质性RFS的LUAD患者，我们检测原发性和复发性LUAD肿瘤之间的DEGs，提取RFS相关基因，并基于大队列使用机器学习算法建立RFS预测模型。利用预测模型，我们将患者分为高危组和低危组，发现高危组患者的RFS较低危组患者更严重。内部和外部验证队列证实了一致的结果。与临床病理特征相比，我们的预测模型在识别高危复发患者方面具有更高的准确性。最后，我们发现G2M检查点通路在高危患者的复发性肿瘤和原发性肿瘤中都富集。

由于鲁拉的复发比例大，研究人员越来越多的研究人员意识到鉴定复发风险高的患者的重要性。考虑到临床病理学特征的局限性，多育相关基因的组合可能是解决这个问题的理想方式，并且试点研究取得了重大进展[13.-15.那19.那20.那26.］．我们没有使用Cox回归分析提取与生存结果相关的基因，而是使用机器学习算法，基于特定复发基因开发了我们的预测模型。据报道，我们最终预测模型中包含的大多数基因与肺癌或其他癌症的生存有关[34-42]表示我们预测模型的合理性。例如，高表达p4ha1.和S100A10据报道，据据报道，拉德的惨淡生存结果有关[36那38］．王小江教授发现了这一点MLF1体外促进肺腺癌细胞增殖和集落形成能力，显著降低细胞凋亡[39］．由于我们报告了我们的预测模型的传导清楚，因此临床医生设计特定的目标面板并在临床上应用它是可行和方便的，以评估每位患者的复发风险。我们的预测模型提供了有关复发风险的额外信息，这有利于临床医生识别高危患者，并施加强烈的辅助化疗。

G2M检查点通路在高危患者复发肿瘤和原发肿瘤中均有富集，提示其与复发有重要关系。G2M检查点是细胞周期中一个必不可少的过程，它确保细胞在受损或不完全复制的DNA得到充分修复之前不启动有丝分裂。因此，细胞周期检查点是保持基因组完整性和染色体稳定性、防止肿瘤从早期发展到恶性侵袭性病变的关键屏障[29.］．据报道，参与细胞周期检查点途径的基因的表达与肺癌中的存活结果有关[29.那43］．例如，PLK1的过表达，早期触发为G2 / M转变，是非小细胞肺癌患者的负预后因子[44］．由于其在肿瘤发生和进展中的关键作用，细胞周期调节剂抑制剂引起了广泛的研究兴趣[29.］．作为示例，MK-0457（VX-680）阻断肿瘤异种移植生长，并在临床前模型中诱导肿瘤回归[45］．由于G2M检查点途径在复发和高风险的患者中显着富集，因此细胞周期调节剂和传统化疗或放射疗法的抑制剂组合可能会在复发风险高的患者中实现改善的疗效。

总之，我们利用复发特异性基因开发的标记在预测LUAD的RFS结果方面是可靠的。我们的预测模型提供了关于复发风险的额外信息，有助于临床医生在临床上进行个体化治疗。为进一步应用于临床，需要多中心的大规模研究来验证模型的可行性和稳定性。

数据可用性

用于支持本研究结果的数据包括在文章中。目前研究中的数据和材料可从合理的请求上获得相应的作者。

所有作者同意提交手稿出版。

的利益冲突

提交人声明他们没有潜在的利益冲突。

作者的贡献

SH和ZJ都有助于工作，包括概念和设计，制定和修改。LK，ZM和ZF是对工作负责的文章的担保。

补充材料

图S1:单因素Cox回归分析筛选无复发生存相关差异表达基因图S2:不同临床亚组预测模型的有效性。K-M曲线证实，该特征可显著区分性别亚组(A和B)、年龄亚组(C和D)和肺实质亚组(E和F)中的低高危组和高危组。表S2: TCGA LUAD高、低风险患者表达基因差异（补充材料）

参考文献

  1. K. D. Miller，L. Nogueira，A. B.Mariotto等，“癌症治疗和生存统计，2019年，”CA：临床医生癌症杂志，第69卷，第2期5, pp. 363-385, 2019。查看在：出版商的网站|谷歌学术
  2. R. L. Siegel, K. D. Miller和A. Jemal，《2020年癌症统计》，CA：临床医生癌症杂志，第70卷，第2期1, pp. 7-30, 2020。查看在：出版商的网站|谷歌学术
  3. R. Sahasrabudhe，P. Lott，M. Bohorquez等，“种系突变PALB2.那乳腺癌易感基因1， 和RAD51C，调节DNA重组修复，胃癌患者中，“胃肠病学，卷。152，没有。5，pp。983-986.E6,2017。查看在：出版商的网站|谷歌学术
  4. NCCN，“肿瘤非小细胞肺癌临床实践指南第6版”，2020，http://www.nccn.org/．查看在：谷歌学术
  5. J. Martin，R. J.Ginsberg，E. S.Venkatraman等，“可重新偏心的非小细胞肺癌的合并模态疗法的长期结果”，临床肿瘤学杂志:美国临床肿瘤学会官方杂志，卷。20，没有。8，pp。1989-1995，2002。查看在：出版商的网站|谷歌学术
  6. N. Martini, M. S. Bains, M. E. Burt et al.，“I期肺癌切除后局部复发和第二原发肿瘤的发生率”，胸腔和心血管外科杂志，第109卷，第2期。1，第120-129页，1995。查看在：出版商的网站|谷歌学术
  7. K.Sekihara，T.Hishida，J. Yoshida等，“长期存活结果”在术后非小细胞肺癌术后复发后的长期存活结果：从术后复发中“治愈”？“欧洲心动胸外科杂志，卷。52，没有。3，pp。522-528,2017。查看在：出版商的网站|谷歌学术
  8. I. Yoshino，T. Yohena，M.Kitajima等，“非小细胞肺癌患者的生存在遥远的器官术后再次发生”，“胸腔和心血管外科的史，卷。7，不。4，pp。204-209，2001。查看在：谷歌学术
  9. D.辅音，M. Pierobon, M. H. Gail等，“基于人群的背景下肺癌复发前后预后”，国家癌症研究所杂志，卷。107，没有。6，第djv059，2015年。查看在：出版商的网站|谷歌学术
  10. H. Sasaki, A. Suzuki, T. Tatematsu等，“复发性非小细胞肺癌完全切除后的预后，”肿瘤的信件，卷。7，不。4，pp。1300-1304,2014。查看在：出版商的网站|谷歌学术
  11. R. Koul，S. Rathod，A. Dubey，B. Bashir和A.Chowdhury，非转移北美队列非小细胞肺癌的UICC / AJCC TNM分期7号和第8版的比较正在进行主要辐射治疗，“肺癌，卷。123，pp.116-120，2018。查看在：出版商的网站|谷歌学术
  12. Y. Tsutani, K. Suzuki, T. Koike等，“I期肺腺癌复发的高危因素:JCOG 0201的随访数据，”胸外科的历史，卷。108，没有。5，pp。1484-1490,2019。查看在：出版商的网站|谷歌学术
  13. J. Subramanian和R. Simon，“基因表达的肺癌的预后签名：准备临床使用？”国家癌症研究所杂志，卷。102，没有。7，pp。464-474，2010。查看在：出版商的网站|谷歌学术
  14. F. Bianchi，P. nuciforo，M.Vecchi等，“通过10基因表达阶段I肺腺癌的存活预测”临床调查杂志，第117卷，第117号11，页3436-3444,2007。查看在：出版商的网站|谷歌学术
  15. B. Li, Y. Cui, M. Diehn，和R. Li，“在早期非鳞状非小细胞肺癌的个例免疫预后特征的开发和验证，”JAMA肿瘤学，卷。3，不。11，PP。1529-1537,2017。查看在：出版商的网站|谷歌学术
  16. 杨振宇，“预测肺腺癌患者预后风险的免疫特征的识别，”翻译医学杂志，卷。17，不。1,2019。查看在：出版商的网站|谷歌学术
  17. X. Yang，Y.Shi，M. Li等，“抗肺腺癌患者存活的免疫细胞浸润评分的鉴定和验证，”翻译医学杂志，卷。17，不。1,2019。查看在：出版商的网站|谷歌学术
  18. L. Zhang, Z. Zhang, Z. Yu，“一种预测肺腺癌转移和生存的新型糖酵解相关基因标记的鉴定，”翻译医学杂志，卷。17，不。1,2019。查看在：出版商的网站|谷歌学术
  19. J. R. Kratz，J.He，S.K.Van Den Eeden等，“预测切除的非鳞状，非小细胞肺癌中生存的实际分子测定：发展和国际验证研究”，“兰蔻，第379卷，no. 2第2 - 3页，2012。查看在：出版商的网站|谷歌学术
  20. Y. Li，D.Ge，J.Gu，F. Xu，Qu，Zhu和C. Lu，“一项大队列研究通过机器学习策略确定肺腺癌的新预后预测模型”BMC癌症，卷。19，没有。1,2019。查看在：出版商的网站|谷歌学术
  21. M. E. Ritchie，B. Phiveon，D. Wu等，“林马用于RNA测序和微阵列研究的差异表达分析，“核酸研究，卷。43，不。7日，2015年。查看在：出版商的网站|谷歌学术
  22. M. I. Love，W. Huber和S. Anders，“对DESEQ2的RNA-SEQ数据的折叠变化和分散的调节估计”基因组生物学，卷。15，不。2014年12月12日。查看在：出版商的网站|谷歌学术
  23. A. Subramanian，P. Tamayo，V.K. Mootha等，“基因集浓缩分析：一种基于知识的解释基因组表达概况的方法，”美国国家科学院学报，卷。102，没有。43，PP。15545-15550,2005。查看在：出版商的网站|谷歌学术
  24. A. Liberzon，C. Birger，H.Thorvaldsdótir，M.Ghandi，J.P.Mesirov和P. Tamayo，“分子签名数据库（MSIGDB）Hallmark Gene集合”细胞系统，卷。1，不。6，pp。417-425,2015。查看在：出版商的网站|谷歌学术
  25. X. Robin，N. Turck，A. Hainard等，“Proc：R和S +的开源包，分析和比较ROC曲线”，“BMC生物信息学，卷。12，不。2011年1日。查看在：出版商的网站|谷歌学术
  26. 导演挑战联盟分子分类肺腺癌的分子分类“肺腺癌基因表达的存活预测：多场，盲验证研究”自然医学，卷。14，不。8，pp。822-827,2008。查看在：出版商的网站|谷歌学术
  27. D. N.Hayes，S. Monti，G. Parmigiani等，“基因表达分析揭示了多个独立患者队列中的可重复的人肺腺癌亚型，”临床肿瘤学杂志：官方临床肿瘤学会学报，卷。24，不。31，pp。5079-5090,2006。查看在：出版商的网站|谷歌学术
  28. M. a . Bjornsti和P. J. Houghton，“TOR通路:癌症治疗的一个靶点，”自然评论。癌症，卷。4，不。5，pp。335-348,2004。查看在：出版商的网站|谷歌学术
  29. B. Eymin和S. Gazzeri，“细胞周期调节剂在肺癌发生中的作用”细胞粘附和迁移，卷。4，不。1，pp。114-123，2010。查看在：出版商的网站|谷歌学术
  30. K. R. Fischer, A. Durrans, S. Lee等人，“上皮-间充质转化不是肺转移所必需的，但有助于化疗耐药性，”自然，卷。527，没有。7579，pp。472-476，2015。查看在：出版商的网站|谷歌学术
  31. S. Q. Liang, E. D. Bührer, S. Berezowska等人，“mTOR介导了对化疗的耐药性机制，并定义了合理的联合治疗策略喀斯特- 肺癌，“致癌基因，卷。38，不。5，pp。622-636,2019。查看在：出版商的网站|谷歌学术
  32. U.R.RAPP，C.Korn，F.Ceteci等，“Myc是非小细胞肺癌的转移基因，”普罗斯一体，卷。4，不。6，第2029条，2009年。查看在：出版商的网站|谷歌学术
  33. “上皮间质转化与肺癌的关系”，胸科疾病杂志，第2卷，第2期3，页154-159,2010。查看在：出版商的网站|谷歌学术
  34. A. Benedicto, J. Marquez, A. Herrero, E. Olaso, E. Kolaczkowska，和B. Arteta，“减少表达的β2整合素对肿瘤细胞的作用与小鼠结肠直肠癌肝转移的减少有关。BMC癌症，卷。17，不。2017年1日。查看在：出版商的网站|谷歌学术
  35. Q. Guo，L.Zhu，C. Wang等人，“Serpind1通过PI3K / AKT途径影响上皮性卵巢癌的恶性生物学行为：机制研究”肿瘤中的前沿，卷。9日，2019年。查看在：出版商的网站|谷歌学术
  36. K. Katono，Y.Sato，S. X. jiang等人，“肺腺癌S100a10表达的临床病理意义”，亚太地区癌症预防杂志，卷。17，不。1，pp。289-294,2016。查看在：出版商的网站|谷歌学术
  37. K. Li，W. Guo，Z. Li等，“Aldh2抑制通过积聚的乙醛和DNA损伤促进肺肿瘤进展，”瘤瘤，卷。21，不。6，pp。602-614,2019。查看在：出版商的网站|谷歌学术
  38. 李敏，吴芳，郑庆，吴玉英，吴玉英，“鉴别潜在的诊断和预后价值p4ha1.在肺癌、乳腺癌和头颈癌中的表达DNA与细胞生物学第39卷第3期5, pp. 909-917, 2020。查看在：出版商的网站|谷歌学术
  39. Li x, Min S.， Wang H.等，“MLF1蛋白是肺腺癌的潜在治疗靶点，”国际临床实验病理学杂志，卷。11，不。7，pp。3533-3541,2018。查看在：谷歌学术
  40. Y. Liao，S. Guo，Y. Chen等，“巨噬细胞的Vsig4表达促进了肺癌的发展”实验室调查，卷。94，否。7，pp。706-715,2014。查看在：出版商的网站|谷歌学术
  41. Y. Liu，J. Cui，Y.-1.唐，L. Huang，C.-Y。周和J.-X.徐，“S100在非小细胞肺癌中的mRNA表达的预后作用”生物医学研究的国际，卷。2018年，第9815806号，11页，2018年。查看在：出版商的网站|谷歌学术
  42. H. Sheng，L. Ying，L. Zheng等人，“FBP1的表达是非小细胞肺癌的负预后因素”癌症调查，卷。33，不。5，pp。197-204,2015。查看在：出版商的网站|谷歌学术
  43. T. Eguchi, K. Kadota, J. Chaft等人，“细胞周期进展评分是I期肺腺癌患者5年肺癌特异性死亡风险的标志，”onCotarget.，卷。7，不。23，pp。35241-35256,2016。查看在：出版商的网站|谷歌学术
  44. G. Wolf，R. Elez，A. nomer等，“非小细胞肺癌中Polo样激酶（PLK）表达的”预后意义“致癌基因，卷。14，不。5，pp。543-549,1997。查看在：出版商的网站|谷歌学术
  45. E. A. Harrington，D.Bebbington，J. Moore等，“VX-680，Aurora激酶的有效和选择性的小分子抑制剂，抑制了肿瘤生长在活的有机体内，“自然医学，第10卷，第5期。3，页262-267,2004。查看在：出版商的网站|谷歌学术

版权所有©2020徐少华等。这是一篇发布在创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。

更多相关文章

PDF. 下载引用 引用
下载其他格式更多的
epub.
XML
订单印刷副本命令
的观点47
下载9.
引用

相关文章

我们致力于尽可能快地分享与Covid-19相关的结果。我们将为已接受的研究文章提供无限的出版费用豁免，以及与Covid-19相关的报告和案例系列。评论文章被排除在此豁免政策之外。注册在这里作为评论员，帮助快速跟踪新的提交。