一、基因组学与肿瘤的筛检（论文文献综述）
崔久嵬[1]（2021）在《肿瘤防治中“上医治未病”理念的实施与挑战》文中研究指明从肿瘤防治前沿问题出发,首先概述了肿瘤早筛早诊早治的重要作用,其是肿瘤防治行动的关键,对于降低癌症发病率和死亡率、改善患者整体生存质量和生存结局具有重要影响。其次,阐述了"上医治未病"理念在肿瘤防控中的具体实施,主要体现在国家政策引导肿瘤防治工作、建立科学防治指南以改善肿瘤防治不足或过度现象、科学普及防癌抗癌理念,以及积极研发肿瘤防治新技术等方面,促使肿瘤防控事业的有效实施。最后,对近几年肿瘤防控过度现象进行深入剖析,并提出应对策略与发展方向。
王昂[2]（2021）在《基于生物信息学的弥漫型胃癌与肠型胃癌多组学多维度差异比较研究》文中认为研究背景胃癌是中国第三、世界第四的致死癌症,是一个普遍性的健康问题。目前,病理学诊断依旧是胃癌诊断“金标准”。在临床中应用最广泛的病理分型主要有两种分类方式:一种是由Lauren提出的弥漫型胃癌（Diffuse gastric cancer,DGC）和肠型胃癌（Intestinal gastric cancer,IGC）的分类,另一种是由WHO提出的组织学分类。对于Lauren分型中的IGC,P.Correa提出了 IGC的分阶段演变过程,即慢性炎症、肠化生、异型增生、胃癌这一过程。虽然这对IGC的早期诊治起到了关键的作用,但只是在形态学上进行了详细分类,对于难发现且预后较差的DGC,目前仍然没有较好的癌前分期学说支持。肿瘤组织中肿瘤细胞自身可以发生多个层次的变化,如基因突变、DNA拷贝数变异、RNA转录差异、蛋白表达差异等。目前认为肿瘤的发生是由于多因素共同作用形成的。不同肿瘤其变化的形式也是不尽相同。关于DGC和IGC中肿瘤细胞的多重差异,我们还缺乏深入了解,有待深入研究。肿瘤微环境对肿瘤发生发展具有重要影响。在正常情况下,胃黏膜由上皮组织、间质组织及黏膜肌组成。其中间质组织主要由成纤维细胞和平滑肌细胞组成,也含有免疫炎性细胞,如淋巴细胞、浆细胞、巨噬细胞、嗜酸性粒细胞等。这些免疫细胞在细胞因子、趋化因子等诱导作用下被募集至胃黏膜固有层,在肿瘤免疫过程中发挥重要作用。深入了解DGC和IGC不同胃黏膜免疫微环境的变化状态能够揭示其在两类胃癌发生发展中的重要作用,从而可为DGC和IGC的预警预后及免疫治疗提供重要的理论参考依据。随着技术的进步,单细胞测序在肿瘤研究中日益发挥重要作用。拟时序分析通过对单细胞测序结果中的细胞表达进行降维排序,找到细胞发生发展过程中相似的细胞,进一步对这些相似的细胞进行分类,可以追踪细胞分化轨迹及发展规律。目前,关于胃癌组织发生的单细胞测序研究已有报道,但是聚焦DGC和IGC起源的研究尚未见报道。综上,本研究拟采用多种生物信息学分析手段,从肿瘤细胞自身特性,肿瘤微环境及肿瘤组织学发生等方面对DGC和IGC进行多组学多维度差异比较分析,旨在系统阐明DGC与IGC多组学差异化分子表型特征,为不同组织学类型胃癌精准诊治提供理论基础。研究目的1.通过对TCGA数据库中胃癌病例的多组学对比分析,明晰DGC和IGC在基因组、表观基因组、转录组、蛋白组等多种组学层面的差异。2.通过对TCGA数据库中胃癌病例的免疫细胞浸润程度及趋化因子、细胞因子表达程度的关联分析,明晰DGC和IGC在免疫微环境层面的差异。3.通过对公共数据库中单细胞测序结果的挖掘分析,明晰DGC和IGC细胞起源的差异,进一步阐明不同类型胃癌的组织发生过程。研究方法1.病例来源下载 TCGA（The Cancer Genome Atlas）数据库中胃癌（Stomach adenocarcinoma,STAD）的临床数据,在临床数据中提取有明确Lauren分型诊断的病例数据进行分析。通过筛选,在突变数据中DGC 65例,IGC 187例。在DNA拷贝数变异数据中DGC 64例,IGC 189例。在DNA甲基化数据中DGC 60例,IGC 162例。在mRNA数据中DGC 66例,IGC 181例。长链非编码RNA（Longnon-coding RNA,lncRNA）数据提取自 mRNA 数据,病例数同 mRNA数据中的病例数一致。在微小RNA（microRNA,miRNA）数据中DGC 66例,IGC 181例。在蛋白数据中DGC 60例,IGC 159例。单细胞测序数据使用 Sathe 等（https://dna-discovery.stanford.edu）及 Zhang 等（GSE134520）的Cell Ranger输出数据进行深度挖掘分析,病例包括:非萎缩性胃炎（Non-atrophic gastritis,NAG）3 例、慢性萎缩性胃炎（Chronic atrophic gastritis,CAG）3 例、肠上皮化生（Intestinal metaplasia,IM）6 例、早期胃癌（Early gastric cancer,EGC）1 例、进行期胃癌 4 例（Advancedgastric cancer,AGC）,其中包括DGC 2例、IGC 2例。2.DGC与IGC多组学差异比较a)突变差异分析使用maftools包对DGC和IGC的突变数据进行比对和可视化。基于oncodriveCLUST算法鉴定癌症驱动基因。与癌症体细胞突变目录（Catalogue Of Somatic Mutations In Cancer,COSMIC）v2 突变特征差异进行比对,得到IGC和DGC突变特征差异。b)DNA拷贝数差异分析使用重要像差基因分析（Genomic Analysis of Important Aberrations,GAIA）方法对检测结果进行分析,通过对比正常基因得到IGC和DGC组织DNA拷贝数变异信息。c)DNA甲基化差异分析使用Illumina Human Methylation450K芯片测试结果对IGC与DGC的甲基化结果进行比对。d)ncRNA表达差异分析利用TCGAEnsembl数据库（v75）提取lncRNA信息,并进行下游分析。使用TCGAbiolinks包对lncRNA的原始计数（rawcount,RC）进行差异分析。由于miRNA数据量较少,采用TCGA数据结果,直接使用edgeR包进行差异分析。e)转录组学差异分析对TCGA下载的mRNA的RC数据进行使用TCGAbiolinks包标准化处理,然后使用edgeR包进行差异分析。f)蛋白表达差异分析对TCGA数据库中蛋白表达数据使用limma方法进行差异分析。g)功能富集分析使用clusterProfiler包进行GO、KEGG、GSEA功能富集分析。h)多组学联合及归因分析对于DGC和IGC的差异基因,使用GDCRNATools建立ceRNA网络,并使用cytospace进行可视化。对于在蛋白表达网络分析中的基因,使用starbase数据库对比其相应的miRNA,然后寻找miRNA对应的lncRNA,最后对比spearman相关分析结果确认其ceRNA 网络是否成立。根据蛋白所在通路及使用limma对蛋白表达数据进行比对后的结果,结合mRNA差异表达,建立蛋白—mRNA表达相关网络。使用多组学因素分析（Multi-Omics Factor Analysis,MOFA）进行多组学联合及归因分析。对因子进行解析并确认相关基因与相关功能。3.DGC与IGC免疫微环境差异分析a)免疫细胞浸润差异分析使用28种免疫细胞的元基因作为基因集对不同类型胃癌样本的mRNA基因进行单样本基因集富集分析（single-sample gene set enrichment analysis,ssGSEA）,得到28种免疫细胞在DGC和IGC中的浸润程度。b)白介素、趋化因子及受体表达差异分析提取35种白介素、56种趋化因子及趋化因子受体表达量（logCPM）,通过Mann-Whitney U test 比较DGC和IGC中各种细胞因子的表达差异。c)免疫细胞与趋化因子、细胞因子联合分析使用最小二乘回归方法对免疫浸润细胞、趋化因子、白介素进行交联分析。首先选择全部趋化因子作为自变量、每种免疫浸润细胞分别作为因变量,然后使用全部的免疫浸润细胞作为自变量,每种白介素分别作为因变量进行分析,建立趋化因子—免疫浸润细胞—白介素交互模型。4.基于单细胞测序的胃癌组织发生分析a)单细胞测序结果均一化处理、聚类分析及细胞鉴定。使用Seurat中的标准方法进行均一化,然后对细胞进行聚类,最后得到28种细胞。根据细胞所在病变类型以及标志基因进行细胞鉴定。b)拟时序分析使用Monocle3对Seurat均一化后的细胞进行聚类,然后对每个聚类中细胞进行排序,分析拟时序路径。我们对包含DGC细胞和IGC细胞两个亚群使用扩散映射（diffusion map）进行分析。c)转绿因子活性分析使用SCENIC对每种细胞的转录因子活性进行分析。d)不同胃黏膜状态中细胞间相互作用分析使用Cellchat对在不同胃黏膜状态中细胞之间的相互作用进行分析。根据数据库中的对于配体受体的标记以及各个配体受体在细胞中的表达情况,将每种胃黏膜状态下的细胞在相互作用过程中所扮演的功能角色分为:供体（Sender）、受体（Receiver）、中介体（Mediatior）、干预体（Influencer）四类。同时对这四类功能在各个细胞中的重要程度（Importance）进行评价。e)不同胃黏膜状态中胃黏膜上皮细胞通路分析对DGC细胞、IGC细胞、干细胞1（S1）、干细胞2（S2）、吸收细胞以及杯状细胞中预测活性大于0.7的转录因子,以及通过ChatCell计算后,在各个胃黏膜状态中以上述细胞作为受体且重要程度大于0.7的配体受体通路中受体基因合并后,使用KEGG数据库进行富集分析。研究结果第一部分弥漫型胃癌与肠型胃癌多组学差异比较1.DGC与IGC基因组学差异分析1.1突变差异分析1.1.1突变类型与特征差异DGC和IGC两种胃癌的点突变中最常见者皆为C-T转换突变;两者的片段突变类型也基本趋同,即,缺失（Del）最常见,其次为插入（Ins）。癌症体细胞突变目录（COSMIC）是对众多肿瘤突变基因总结归类,将肿瘤突变类型分为30种。通过和COSMIC的突变特征比对,我们发现DGC出现4种突变特征,分别为COSMIC特征1（Signture 1,余弦近似:0.953）、COSMIC特征17（Signture 17,余弦近似:0.976）、COSMIC 特征 6（Signture6,余弦近似:0.973）、COSMIC特征4（Signture 3,余弦近似:0.783）;IGC出现3种突变特征分别为:COSMIC 特征 10（Signture 10,余弦近似:0.897）、COSMIC 特征 17（Signture 17,余弦近似:0.791）、COSMIC 特征 6（Signture 6,余弦近似:0.953）。1.1.2突变基因差异对比DGC和IGC突变数据,排在前10位的差异突变基因是:CDH1、FBN1、RELN、DNAH3、NEB、PCLO、FAT3、USH2A、MYO16、COL22A1。DGC和IGC突变率最高的前10位基因并不完全相同。DGC为:TTN、CDH1、CSMD3、TP53、MUC16、SPTA1、FAT4、ARID1A、CSMD1、PIK3CA,而 IGC 为:TTN、MUC16、TP53、LRP1B、FAT4、SYNE1、PCLO、HMCN1、FLG、ARID1A。其中两者相同的基因为:TTN、TP53、MUC16、FAT4、ARID1A。1.1.3突变联动性差异很多癌症中的基因在突变模式中表现出强烈的同现性或排他性。在DGC和IGC中突变的联动性均主要以同现关系为主,在DGC中突变基因发生联动性个数少于IGC。有少数突变之间出现排他性:在IGC中TP53基因同RELN、LRP2、PIK3CA、USH2A、KMT2D、OBSCN、ARID1A 及 MUC16 出现了排他性;在DGC 中 CDH1基因同DNAH5、LRP1B及CSMD3出现排他性。1.1.4驱动基因突变差异基于oncodriveCLUST算法鉴定癌症驱动基因,DGC中可能的驱动基因为SPECC1 和 PLOD3,IGC 中可能的驱动基因为 MYBL1、ZHF330、DAZAP1、DXX39B、SERPIN1 和 TVP23A。1.1.5通路节点基因突变差异TCGA工作组鉴定了 10条同癌症相关的通路,本文对各个通路进行了富集。其中TGF-β通路节点基因在IGC中突变率100%（7/7）,在DGC中突变率同样是100%（7/7）;DGC中突变率少于IGC。1.1.6突变基因富集分析使用GO与KEGG数据库对DGC和IGC突变差异基因进行功能富集,结果发现使用KEGG数据库富集未富集出相关功能。使用GO富集生物学过程（BP）前三位功能为:化学突触传递的调节、突触信号转导的调控、β-catenin/TCF复杂结合;GO富集分子功能（MF）前三位功能为:皮质细胞骨架、胞质区、电压门控钙通道复合物;GO富集细胞组分（CC）前三位功能为:钙离子跨膜转运蛋白活性、钙通道活性、电压门控钙通道活性。1.2 DNA拷贝数变异差异分析1.2.1 DNA拷贝数变异差异基因DGC中DNA拷贝数变异的基因共145个,其中扩增124个,缺失21个;IGC中DNA拷贝数变异的基因共7992个其中插入3908个,缺失4084个。DGC中前十位 DNA 拷贝数突变基因为:RN7SL5P（Del）、C12orf77（Amp）、LRMP（Amp）、CENPUP2（Amp）、C ASC1（Amp）ETFRF 1（Amp）、KRAS（Amp）、RNU4-67P（Amp）、LMNTD1（Amp）、TUBB4BP1（Amp）。IGC 中 DNA 拷贝数突变基因较多,FDR 值最小值相同基因超过10个,本文没有列出。1.2.2 DNA拷贝数差异基因富集分析对于DNA拷贝数变异基因进行功能富集。在DGC中,KEGG富集前三位通路为:黑色素瘤、胃癌、肌动蛋白细胞骨架调节。在IGC中,GO富集BP前三位为:对其他生物体防御、细菌防御、细胞杀伤;GO富集MF前三位为:丝氨酸型内肽酶抑制剂活性、味觉受体活性、苦味受体活性;KEGG富集到的前三位为:细胞因子与其受体的相互作用、卡波西氏肉瘤相关疱疹病毒感染及乙型肝炎。2.DGC与IGC表观基因组学差异分析2.1 DNA甲基化差异分析对DGC和IGC的DNA甲基化状态进行差异比较,一共有599个甲基化位点出现差异,这些位点位于411个基因及基因间区中。其中,在DGC中高甲基化位点462个,高甲基化基因328个;在IGC中高甲基化位点137个,高甲基化基因83个（详见正文表1）。2.2 DNA甲基化差异基因功能富集分析对DGC和IGC甲基化差异基因进行功能富集,结果发现使用KEGG数据库富集未富集出相关功能。使用GO富集BP前三位功能为:腺体发育、细胞-基质粘附的调节、蛋白质定位于膜的正调控;GO富集MF前三位功能为:肌动蛋白细胞骨架、电压门控钾通道复合物、钾通道复合物;GO富集CC前三位功能为:RNA聚合酶Ⅱ近端启动子序列-特异性DNA结合、近端启动子序列特异性DNA结合、DNA结合转录激活剂活性,RNA聚合酶Ⅱ特异性。2.3非编码RNA（ncRNA）表达差异分析对DGC和IGC的miRNA表达进行了差异比较,结果发现logFC绝对值大于2的基因共57个,在DGC中高表达4个,在IGC中高表达53个。对DGC和IGC的lncRNA表达进行了差异比较,结果发现logFC绝对值大于2的基因共24个,在DGC中高表达8个,在IGC中高表达16个（详见正文表2,3）。3.DGC与IGC转录组学差异分析3.1 mRNA表达差异分析对DGC和IGC进行了 mRNA表达差异比较,结果发现logFC绝对值大于2的差异基因共415个,其中在DGC中高表达基因共233个,在IGC中高表达基因共182个（详见正文表4）。3.2 mRNA表达差异基因富集分析对这些差异表达mRNA进行功能富集,GO富集BP前三位为:肌肉系统成长过程、细胞外结构构建、肌肉收缩;GO富集MF前三位功能为:受体调节活性、受体配体活性、硫化物结合;GO富集CC前三位为:细胞外基质、含胶原的细胞外基质、内质网腔;KEGG富集前三位为:磷脂酰肌醇3激酶信号通路、胰腺分泌、蛋白消化吸收。4.DGC与IGC蛋白组学差异分析对DGC和IGC的蛋白表达进行了差异比较,共87个蛋白表达出现差异,在DGC中高表达46个,在IGC中高表达41个（详见正文表5）。5.多组学参数联合分析与归因分析5.1 DNA甲基化和mRNA表达联合分析联合分析DGC和IGC的DNA甲基化差异和mRNA表达差异,结果发现8个甲基化位点同mRNA表达出现联动表现,其中在DGC中高甲基化低表达基因为MEIS1,在IGC中高甲基化低表达的基因为SGK2、APOH、TMED6、SERPINA10、HNF4A。5.2 ceRNA网络分析将本文分析发现的差异lncRNA、miRNA、mRNA与数据库中已知可结合的lncRNA、miRNA、mRNA 相比对,结果发现 lncRNAPVT1 可同 hsa-mir-106a、hsa-mir-106b、hsa-mir-17、hsa-mir-20a、hsa-mir-20b、hsa-mir-519d、hsa-mir-93 互相作用,而这些miRNAs又可同POLQ、PARD6B、HMGA2、CDC25A互相作用,提示上述lncRNA-miRNA-mRNA之间存在ceRNA调控网络。5.3 DGC与IGC相关通路差异表达蛋白多维调控网络分析对比DGC和IGC的蛋白表达结果,发现在DGC中,DNA损伤反应信号通路、上皮间质转化信号通路、激素A/B（Hormone A/B）信号通路、活化酪氨酸激酶信号通路、结节性硬化复合物-雷帕霉素靶蛋白信号通路中的蛋白表达更加活跃;而在IGC中,细胞周期信号通路中的蛋白表达更加活跃。通过多维调控网络分析发现DNA损伤反应通路在DGC中活跃是由于BRCA2、Chk1 在 DGC 中高表达,而在DGC 中 BRCA2 受 hsa-mir-369、hsa-mir-488、XIST、NEAT 1、HCG18 调控,CHEK1 受 hsa-mir-195、hsa-mir-497、P VT1、SNHG1、SNHG12、HCG18调控。上皮间质转化通路在DGC中活跃是由于Collagen Ⅳ、E-Cadherin在DGC中高表达,而在DGC中CDH1主要受突变影响,COL6A1受MEG3影响,关COL6A2 受 HSPA7、KCNQ1OT1、FBXL21、PCDHB18、TUG1、PCDHB9、RPLP0P2、ANKRD26P1、ZFP92、ZDHHC8P1、CIDECP、ZSCAN12P1、CASC2、H19、C4orf10、GATS.1、UBE2Q2P1、OR2A9P 影响,COL6A3 受 ACTN3、HSPA7、PCDHB18、TUG1、PCDHB9、ZNF702P、RPLP0P2、ZFP92、ZSC AN12P1、C ASC2、H19、GATS.1、FAM35B2、OR2A9P影响。激素A通路在DGC中活跃是由于ERalpha、PR在DGC中高表达,而ESR1受XIST、KCNQ1OT1、MEG3影响。激素B通路在DGC中活跃是由于AR、Bcl-2在DGC中高表达,而在DGC中BCL2受KCNQ1OT1、POLR2J4、NEAT1、HCG18、MIAT影响。活化酪氨酸激酶通路在DGC中活跃是由于EGFRpY1173和HER3pY1289在DGC中高表达,而在DGC中EGRF高表达,但未找出相关miRNA、lncRNA。结节性硬化复合物-雷帕霉素靶蛋白通路在DGC中活跃是由于4E-BP1pS65与RictorpT1135在DGC中表达量较高。在DGC和IGC中EIF4BP1 受 GAS5 影响,RPS6 受 hsa-let-7d、hsa-mir-1224、hsa-mir-125a、hsa-mir-212、hsa-mir-3187、hsa-mir-652、hsa-mir-744、SNHG1、SNHG12 影响。细胞周期通路在IGC 中活跃是由于 CDK1、CyclinB1、CyclinE1、CyclinE2、PCNA 在 IGC 中表达量较高,而在IGC中CDK1受SNHG3、DLEU1、TUG1影响。CCNE1受SNHG1、HCG18 影响,CCNE2 受 hsa-mir-30a 影响。5.4多组学参数归因分析对全部入组分析获得的63例DGC和175例IGC的多组学数据参数进行归因分析,包括突变基因10725个、DNA拷贝数变异基因3086个、甲基化位点373333个、miRNA基因799个、mRNA基因14202个、差异表达蛋白218种。通过分析得到各个参数与Lauren分型（DGC/IGC）的相关程度,其中相关程度最高者为DNA甲基化、相关程度最低者为基因突变。第二部分弥漫型胃癌与肠型胃癌免疫微环境的差异比较1.免疫浸润细胞差异比较DGC和IGC两组间免疫细胞浸润程度的异同。结果显示在IGC中浸润程度较高且有显着性统计学差异的免疫细胞包括:活性CD8 T细胞（Activated CD8 T cell）、CD56dim 自然杀伤细胞（CD56dim natural killer cell）、中央记忆 CD8 T 细胞（Central memory CD8 T cell）、效应记忆 CD8 T 细胞（Effector memory CD8 T cell）、幼稚树突细胞（Immature dendritic cell）、巨噬细胞（Macrophage）、骨髓来源的抑制性细胞（Myeloid-derived suppressor cells,MDSC）、自然杀伤 T 细胞（Natural killer T cell）、调节 T 细胞（Regulatory T cell）、Ⅱ型辅助 T 细胞（Type 2 T helper cell）。而在DGC中浸润程度较高且有显着性统计学差异的免疫细胞包括:活性B细胞（Activated B cell）、活性树突细胞（Activated dendritic cell）、γδ T 细胞（Gamma delta T cell）、幼稚 B 细胞（Immature B cell）、记忆 B 细胞（Memory B cell）、自然杀伤细胞（Natural killer cell）、髓样树突细胞（Plasmacytoid dendritic cell）、17 型辅助 T 细胞（Type 17 T helper cell）。2.趋化因子配体及受体基因差异对比DGC和IGC趋化因子及受体的表达差异,结果发现共28个趋化因子及受体出现了统计学差异。其中,在DGC中高表达的趋化因子及受体有:CCL2、CCL3、CCL18、CCL20、CCL21、CCL25、CCL26、CXCL2、CXCL4、CXCL7、CXCL11、CXCL13、XCL2、CCR3、CCR4、CCR5、CCR7、CCR8、CXCR3;在IGC 中高表达的趋化因子及受体有:CCL1、CCL8、CCL13、CXCL5、CXCL10、CX3CL1、XCL1、CCR1、CXCR2。3.白介素基因表达差异对比DGC和IGC细胞因子的表达差异,结果发现白介素中有20个出现表达差异,其中在DGC中高表达的白介素有:IL12B、IL13、IL17A、IL17F、IL22;在IGC 中高表达的白介素有:IL1B、IL4、IL5、IL7、IL16、IL17B、IL17D、IL18、IL21、IL24、IL26、IL27、IL32、IL33、IL34。4.免疫浸润细胞与趋化因子、细胞因子联合分析在IGC中,正向相关性较高的趋化因子与免疫浸润细胞有:CCL1、CCL5、CCL4、CXCL16与CD56dim自然杀伤细胞;CX3CL1、CCL8与嗜酸性粒细胞（Eosinophil）;CXCL2与肥大细胞（Mast cell）;CCL21与活性B细胞;CCL3与效应记忆CD4 T细胞（Effector memeory CD4 T cell）;CX3CL1与自然杀伤T细胞。正向相关性较高的免疫浸润细胞与细胞因子有:17型辅助T细胞与IL23A、IL17A、IL13;自然杀伤T细胞与IL11、IL15;髓样树突细胞与IL13、IL17A;调节T细胞与IL11、IL15;γδ T细胞与IL6。在DGC中,正向相关性较高的趋化因子与免疫浸润细胞有:CCL4、CCL11与自然杀伤细胞;CCL14、CXCL9与髓样树突细胞;CCL11、CCL3、CCL5与嗜酸性粒细胞;CXCL10、CCL20、CXCL1与CD56dim自然杀伤细胞。正向相关性较高的免疫浸润细胞与细胞因子有:嗜酸性粒细胞、调节T细胞、自然杀伤细胞、幼稚B细胞与TXLNA;自然杀伤T细胞与IL10、IL26;自然杀伤细胞与IL17F;调节T细胞与IL10、IL15;γδ T细胞与IL32。第三部分基于单细胞测序的弥漫型胃癌与肠型胃癌组织发生学研究1.不同胃黏膜状态中胃黏膜上皮单细胞测序图谱对单细胞测序结果进行分析后,利用细胞特征基因共分离出29种细胞,其中上皮细胞15种,间质细胞14种（特征基因见正文表13）。在使用OLFM4作为干细胞特征基因对细胞进行标记时,我们发现有一部分细胞高表达OLFM4,但是在UMAP图中这部分细胞和其他干细胞位置较远,认为这部分细胞是一种干细胞的亚型,所以将这部分干细胞命名为干细胞2（Stemce112,S2）,而将其余干细胞命名为干细胞 1（Stem cell1,S1）。对细胞进行分类后发现从NAG到EGC及AGC,细胞主要以胃小凹上皮细胞（Pit cell）、基底腺粘液细胞（Basal gland mucous cell,BGM）、干细胞1为主,同时干细胞的占比逐渐增多,在EGC中干细胞1占比最高。在DGC和IGC中,干细胞的占比降低,免疫相关细胞占比升高。2.胃黏膜上皮细胞的拟时序分析使用Monocle3对全部细胞进行聚类分析,然后进行拟时序分析。我们发现有两个聚类块分别包含DGC细胞（PartA）和IGC细胞（PartB）。据此虽然可以看出有分化轨迹,但是不易确认细胞所在状态的先后顺序,所以我们进一步使用扩散映射（diffusionmap）进行分析。结果发现PartA主要包含S2干细胞、杯状细胞、肠型内分泌细胞、D细胞、G细胞和DGC细胞。发现S2、杯状细胞的大部分以及DGC细胞三者出现细胞聚集的位置距离较近,而肠型内分泌细胞、D细胞两者出现细胞聚集的位置距离较近,G细胞集出现细胞聚集的位置与其他细胞距离较远。PartB主要包含主细胞、基底腺粘液细胞、S1干细胞、祖细胞（Progenitor cell）、胃小凹上皮细胞、吸收细胞（Entercoty）以及IGC细胞。这其中主细胞、BGM两者出现细胞聚集的位置距离较近,S1、祖细胞两者出现细胞聚集的位置距离较近、胃小凹上皮细胞、IGC细胞、吸收细胞三者出现细胞聚集的位置距离较近。通过分析发现,S2和杯状细胞及DGC细胞分化相近,S1和吸收细胞及IGC细胞分化相近。3.不同胃黏膜上皮细胞转录因子活性分析使用SCENIC方法对各种细胞的转录因子活性进行了鉴定,选取了预测活性大于0.7的转录因子作为在该细胞中发挥功能的转录因子。我们分析出S1、S2、吸收细胞、杯状细胞、DGC细胞、IGC细胞中具有活性的20个转录因子,其中有10个转录因子（GEBPD、ELF4、KLF5、MAFG、MAZ、PRDM1、SMARCA4、SREBF2、SRF、YY1、ZNF143）在不同胃黏膜上皮细胞中均有活性。在具有细胞特异性的活性转录因子中,我们关注到活性转录因子GATA6仅存在于S2、杯状细胞和DGC中;CEBPG存在于S1、吸收细胞、杯状细胞、IGC细胞中;KLF4存在于S1、吸收细胞、杯状细胞、DGC细胞、IGC细胞中;TBX3存在于S1、吸收细胞中;活性转录因子ELF3、HNF4A、MXD1仅存在于吸收细胞中;SUZ12存在于IGC细胞中;RB1存在于S1、S2、杯状细胞、DGC细胞、IGC细胞中;CD59存在于S1、S2、吸收细胞、杯状细胞中;CDX1存在于吸收细胞、杯状细胞、DGC中。4.不同胃黏膜状态中细胞间配体-受体相互作用分析进一步,我们使用Cellchat分析不同胃黏膜状态中细胞之间的相互作用,对每种细胞在相互作用过程中所发挥的功能进行评价。在DGC中,DGC细胞作为供体或受体（Sender或Receiver）且重要程度大于0.7的配体受体通路有:类胰岛素生长因子（IGF）信号通路、巨噬细胞迁移抑制因子（MIF）信号通路、中期因子（MK）信号通路、血小板衍生因子（PDGF）信号通路、多效生长因子（PTN）信号通路。在IGC中,IGC细胞作为供体或受体且重要程度大于0.7的配体受体通路有:分化簇抗原CD40信号通路、Fas受体配体（FASLG）信号通路、IGF信号通路、MIF信号通路、MK信号通路、PDFG信号通路、PTN信号通路、肿瘤坏死因子相关的凋亡诱导配体（TRAIL）信号通路。对比DGC及IGC中重要的配体受体通路,我们发现IGF信号通路、MIF信号通路、MK信号通路、PDGF信号通路、PTN信号通路在DGC和IGC中同样发挥重要作用。不同的是,在DGC中,MIF信号通路主要发挥作用者为MIF-（CD74+CXCR4）,而在IGC中,主要发挥作用者为MIF-（CD74+CD44）。MK信号通路中,MDK-SDC4在DGC中的贡献要大于在IGC中的贡献。PDFG信号通路中PDGFA-PDGFRA在DGC中的贡献大于在IGC的贡献,而PDGFA-PDGFRB在IGC中的贡献大于在DGC中的贡献。在PTN信号通路中,PTN-SDC4在DGC中的贡献要大于在IGC中的贡献5.不同胃黏膜状态中胃黏膜上皮细胞通路分析利用KEGG数据库,我们对非萎缩性胃炎（NAG）、慢性萎缩性胃炎（CAG）、肠上皮化生（IM）、早期胃癌（EGC）、进行期胃癌（AGC）包括DGC和IGC等不同胃黏膜状态中胃黏膜上皮细胞通路进行了富集分析。在NAG及CAG状态下,没有呈现符合要求的结果。在IM状态中,S1富集到了磷脂酰肌醇3-激酶-蛋白质丝氨酸苏氨酸激酶信号通路、癌症蛋白聚糖通路、丝裂原活化蛋白激酶信号通路、人乳头瘤病毒感染、Rap1信号通路、粘着斑通路、肌动蛋白细胞骨调节通路、细胞外基质受体相互作用通路、乳腺癌通路、造血细胞谱系通路。吸收细胞富集到了利什曼病通路、肺结核通路、Rap1信号通路、肌动蛋白细胞骨调节通路、百日咳病毒通路、补体和凝血级联通路、造血细胞谱系通路、Th17细胞分化通路、吞噬体通路、JAK-STAT信号通路。值得提出的是,IM状态中可见DGC细胞存在（详见正文表14）,功能富集结果显示DGC细胞富集到了人巨细胞病毒感染、病毒蛋白与细胞因子及受体作用通路、弓形虫病通路。在早期胃癌EGC状态中,干细胞富集到了细胞因子-细胞因子受体相互作用通路、MAPK信号通路、PI3K-Akt信号通路、肿瘤蛋白多糖、TGF-β信号通路、流体剪切应力与动脉粥样硬化、造血细胞谱系、调节干细胞多能性的信号通路、粘附连接、补体和凝血级联信号通路。在进行期胃癌中,干细胞1富集到了 PI3K-Akt信号通路、MAPK信号通路、粘着斑通路、肿瘤蛋白多糖、EGFR酪氨酸激酶拮抗剂（EGFR tyrosine kinase inhibitor resistance）通路、肝癌（Hepatocellularcarcinoma）通路、粘附连接通路、黑色素瘤（Melanoma）通路、ErbB信号通路、非小细胞肺癌通路。GCI富集到了肝癌通路、粘着斑通路、人乳头瘤病毒感染通路、黑色素瘤通路、胶质瘤通路、致心律失常性右室心肌病（Arrhythmogenic right ventricular cardiomyopathy）通路、细胞外基质受体相互作用、肥厚性心肌病（Hypertrophic cardiomyopathy）通路、小细胞肺癌（Small cell lung cancer）通路、扩张型心肌病（Dilated cardiomyopathy）通路。在进行期胃癌IGC状态中,S1富集到了磷脂酰肌醇3-激酶-蛋白质丝氨酸苏氨酸激酶信号通路、癌症蛋白聚糖通路、丝裂原活化蛋白激酶信号通路、粘着斑通路、EGFR酪氨酸激酶拮抗剂通路、肝癌通路、粘附链接通路、黑色素瘤通路、非小细胞肺癌通路、ErbB信号通路。IGC富集到了细胞外基质受体相互作用通路、细胞粘附分子通路、粘着斑通路、癌症蛋白聚糖通路、人乳头瘤病毒感染、致心律失常性右室心肌病通路、肥厚性心肌病通路、扩张型心肌病通路、致病性大肠杆菌感染通路、疟疾通路。在进行期胃癌DGC状态中,S1富集到了磷脂酰肌醇3-激酶-蛋白质丝氨酸苏氨酸激酶信号通路、癌症蛋白聚糖通路、丝裂原活化蛋白激酶信号通路、ErbB信号通路、粘着斑通路、EGFR酪氨酸激酶拮抗剂通路、乳腺癌通路、膀胱癌通路、前列腺癌通路、内分泌抗性通路。结论1.弥漫性胃癌与肠型胃癌在基因组学、表观基因组学、转录组学层面均存在差异,而在蛋白表达层面未见明显差异。弥漫型胃癌的基因、表观基因层面改变相对较少,转录层面改变相对明显。在弥漫型胃癌中DNA损伤反应、信号通路、上皮间质转化信号通路、激素A/B信号通路、活化酪氨酸激酶信号通路、结节性硬化复合物-雷帕霉素靶蛋白信号通路中的蛋白表达更加活跃;而在肠型胃癌中细胞周期信号通路中的蛋白表达更加活跃。多组学参数归因分析模型显示与Lauren分型相关程度最高的参数为DNA甲基化,相关程度最低参数为基因突变。2.弥漫性胃癌与肠型胃癌的免疫微环境可能由不同类型的免疫细胞主导,即弥漫性胃癌中以T细胞免疫浸润为主,而肠型胃癌中则以B细胞免疫浸润为主。本研究通过最小二乘回归方法建立了趋化因子-免疫细胞-细胞因子相关性模型。在DGC中,CCL4可以趋化自然杀伤细胞浸润癌组织,自然杀伤细胞在癌组织中释放IL-17F,进而刺激其他细胞因子产生。3.干细胞2、杯状细胞和弥漫性胃癌细胞基因表达模式相似,干细胞1、吸收细胞和肠型胃癌细胞基因表达模式相似,肠上皮化生不仅是肠型胃癌的癌前病变,也可能与弥漫性胃癌的发生密切相关。胃上皮细胞在各种不同疾病状态下有活性的转录因子以及重要的受体-配体通路具有明显差异,DGC细胞富集到的主要通路与病毒感染密切相关。
杨宁[3]（2021）在《Hsa＿circ＿0002320在结直肠癌中的表达及潜在的临床研究价值》文中提出第一部分Hsa＿circ＿0002320在结直肠癌中的表达及与临床病理特征之间的关系目的:环状RNA在多种恶性肿瘤疾病中发挥重要调控作用,但hsa＿circ＿0002320在结直肠癌（CRC）中的作用机制和临床价值仍不清楚。本研究旨在探讨hsa＿circ＿0002320在临床结直肠癌中的表达情况及与临床病理特征之间的关系。方法:1.将获取的临床CRC组织及其邻近正常的结直肠粘膜组织用4%多聚甲醛固定,予以脱水、石蜡包埋及切片后用苏木精-伊红（hematoxylin-eosin,HE）染色法观察病理情况。2.采用实时荧光定量聚合酶链式反应（Real-time fluorescence quantitative polymerase chain reaction,RT-q PCR）检测50例CRC组织及其邻近正常的结直肠粘膜组织中hsa＿circ＿0002320的表达情况,以及上述50例CRC患者术前血浆和100例健康人血浆中hsa＿circ＿0002320的表达情况。此外,检测CRC细胞系（HT29、HCT116）与正常结直肠粘膜细胞系（FHC）中hsa＿circ＿0002320的表达情况。3.分析CRC组织和血浆中hsa＿circ＿0002320表达与临床病理特征之间的关系。结果:与邻近正常的结直肠粘膜组织相比,CRC组织中hsa＿circ＿0002320表达显着下调（P<0.05）;与之类似,CRC血浆中hsa＿circ＿0002320表达显着下调（P<0.05）。CRC细胞系（HT29、HCT116）中hsa＿circ＿0002320的表达较正常结直肠粘膜细胞系（FHC）显着下调（P<0.01）。CRC组织中hsa＿circ＿0002320的表达与患者的肿瘤分化程度显着相关（P<0.05）;CRC患者血浆中hsa＿circ＿0002320的表达与CEA的水平显着相关（P<0.05）。结论:CRC组织、细胞和血浆中hsa＿circ＿0002320显着下调,有可能作为CRC诊疗的生物标志物及治疗靶点。第二部分过表达hsa＿circ＿0002320对结直肠癌的侵袭、迁移、增殖及上皮-间质转化的影响目的:探究hsa＿circ＿0002320与CRC的侵袭、迁移、增殖及上皮-间质转化的关系。方法:1.构建hsa＿circ＿0002320重组质粒,在CRC细胞系（HT29、HCT116）中过表达hsa＿circ＿0002320。2.实时荧光定量PCR检测hsa＿circ＿0002320在CRC细胞系中的表达。3.通过细胞功能实验检测过表达hsa＿circ＿0002320对CRC细胞系侵袭、迁移、增殖能力的影响。4.采用Western blot检测CRC细胞上皮-间质转化相关的上皮钙黏蛋白（E-cadherin）、神经型钙黏蛋白（N-cadherin）和波形蛋白（Vimentin）的表达。结果:过表达hsa＿circ＿0002320组中CRC细胞的侵袭、迁移、增殖能力较阴性对照组显着降低;上皮-间质转化相关的蛋白中,N-cadherin和Vimentin的表达较阴性对照组显着降低,而E-cadherin的表达较阴性对照组显着增高（P<0.01）。结论:过表达hsa＿circ＿0002320抑制结直肠癌的侵袭、迁移、增殖及上皮-间质转化。第三部分Hsa＿circ＿0002320在结直肠癌患者诊断及预后中的作用目的:探究hsa＿circ＿0002320对CRC诊断和预后的价值。方法:1.分析CRC患者hsa＿circ＿0002320的表达、临床病理特征和总生存期（OS）之间的关系。采用受试者工作特征曲线（receiver operating characteristic curve,ROC）分析hsa＿circ＿0002320对CRC诊断的灵敏性及特异性。2.利用生物信息学验证hsa＿circ＿0002320对CRC患者预后的影响。结果:Hsa＿circ＿0002320的表达水平与CRC患者OS显着相关（P<0.01）,即hsa＿circ＿0002320高表达时,CRC患者的OS越长;hsa＿circ＿0002320高表达的危险比（hazardratio,HR）为0.161[95%可信区间（confidence interval,CI）,0.066-0.393;P<0.000]。Hsa＿circ＿0002320的表达对CRC诊断的ROC曲线下面积（AUC）为0.823,高于CEA（AUC=0.764）。Kaplan-Meier分析显示低表达hsa＿circ＿0002320的CRC患者OS低于高表达hsa＿circ＿0002320的CRC患者。结论:Hsa＿circ＿0002320可能是CRC患者新型、非侵入性的血液生物标志物,用于CRC的诊断和判断预后。
周泽宸,余红平,陈大方[4]（2020）在《健康中国行动与肿瘤精准健康管理》文中指出恶性肿瘤是威胁中国人群健康的重要公共卫生问题。为加强癌症防治,保障全民健康,国务院在发布的《健康中国行动（2019—2030年）》中指出要积极预防癌症,推进早筛查、早诊断、早治疗,降低癌症发病率和死亡率,提高患者生存质量。随着精准医学概念的提出,传统的健康管理模式正在向精准健康管理转变。对于癌症防治,精准健康管理在信息采集方面结合多组学与生物医学大数据技术,以精确识别肿瘤生物标志物和个体易感性。在肿瘤风险评估方面,机器学习和生物信息挖掘等方法的应用,能够建立更有效的肿瘤发病和进展预测模型,精准识别肿瘤的高危人群。在干预方面,分子靶向药物和药物基因组学可以实现肿瘤患者的个体化治疗,最大限度地增强疗效,降低不良反应。综合个体的生活方式、生理状态、代谢指征和遗传背景的精准营养干预与生活方式干预策略也对肿瘤患者的症状改善、生存质量提高起到重要作用。
陆紫箫[5]（2020）在《基于深度学习的乳腺癌病理图像量化与影像基因组学分析》文中研究说明癌症的起源与发展实际上是肿瘤与肿瘤微环境之间不断动态串扰,相互作用的一个演变过程。肿瘤微环境主要由上皮组织、基质组织等组成,而这些组织间同时又分布着各式各样的细胞,比如肿瘤细胞、基质细胞以及不同的免疫细胞。全景病理切片图像上可以提供丰富的肿瘤微环境信息,临床上许多观察已经表明病理图像上不同组织与细胞的空间特征对多种癌症的诊断和预后有重要价值。影像基因组学作为近年来的研究热点之一,将基于图像的组织与细胞特征与生物信息学和生态统计相结合,探索癌症是如何在健康组织中进化与传播的,从而引导临床上治疗癌症的新策略。目前临床上对于病理图像的评估与分析主要由病理医生手动完成,比较耗时、枯燥,而且可能带来人工误差。同时,由于图像自动分析系统的匮乏,对于更进一步分析肿瘤微环境在具体不同癌症亚型中的异质性,以及这些差异背后的分子调控机理的研究依然存在较大局限性,有待进一步探索。本文将机器学习中的图像分析技术与生物统计分析相结合,对不同乳腺癌亚型中的肿瘤微环境进行量化,并探索这些量化特征与基因数据和预后之间的关系。以下分三个方面介绍本文内容:（1）基于深度CNN模型的乳腺癌全景病理组织分割与量化。上皮组织和基质组织是乳腺癌病理切片上最基本也是最常见的两类组织。我们提出了一套基于深度卷积神经网络（Deep Convolutional Neural Network,DCNN）的全景病理切片图像（Whole-slide image,WSI）处理系统,来实现对病理图像上上皮组织（Epithelial tissue）与基质组织（Stromaltissue）的分割与量化。本系统模拟临床上病理专家对病理图像的分析流程,包含三个步骤:（1）感兴趣区域（Regionof Interest,ROI）识别;（2）对ROI内不同病理组织区域进行分割;（3）病理组织的整体量化与评估。我们先在带标注的瓦片图像集上对DCNN模型进行训练,然后将训练好的模型应用到1,000张全景病理图像上进行组织分割。最后,根据分割结果分别计算每张全景图像上上皮组织与基质组织占总的组织面积的比例。（2）基于级联训练U-net模型的乳腺癌全自动免疫评估。免疫治疗是近10年来肿瘤诊疗中新兴且前景远大的靶标,肿瘤浸润性淋巴细胞（Tumor-infiltrating lymphocytes,TIL）是H&E染色的病理切片上可以观察到的一类免疫细胞,也是当前免疫相关的研究热点之一。我们设计了一个基于级联训练的U-net模型来实现对病理图像上TIL的全自动检测。根据检测结果,我们进一步提取了 43条TIL的空间量化特征,这些特征主要衡量全景病理图像上免疫热点的分布情况,包括热点数量、组间散度和组内散度等。（3）不同乳腺癌亚型中病理图像特征与多组学数据整合分析。我们先将所有的乳腺癌病人分成三类亚型,分别为ER-positive,ER-negtiave和Triple negative,然后分别对每类亚型展开影像基因组学分析。（1）通过统计关联分析与基因富集分析（Enrichment Analysis）探索了基因表达与上皮和基质组织之间的关系。实验结果表明,对同一种病理组织而言,其在三类乳腺癌亚型上都会受到相似生物进程（Biological Processes）的影响;同时每一类乳腺癌亚型又都有其特质的生物进程在调节不同组织的发展。（2）通过生物统计学技术以及Cox回归预测模型,系统分析了 TIL图像特征与基因表达、体细胞变异和病人预后之间的关联。我们发现,ER-positive和ER-negative的乳腺癌免疫表型受到相似生物进程的调控,但Triple negative的免疫表型却有其非常独特的分子调控机理。另外,我们还发现TIL在图像上呈现出的聚类散度特征（Clustering Dispersion Pattern）既与免疫相关的基因表达相关,又与病人预后相关,这说明临床上在进行免疫评估时应对病人病理切片上TIL的聚集模式给予更多关注。本文中的发现将有望为临床上免疫评估与治疗提供新的启发。
蔡锦[6]（2020）在《华大基因的商业模式与投资价值研究》文中认为
李步托[7]（2020）在《基于影像组学的多维度深度学习模型预测贝伐单抗治疗晚期非小细胞肺癌患者预后的研究》文中进行了进一步梳理在免疫治疗新纪元,贝伐单抗在晚期非鳞非小细胞肺癌（Non-small cell lung cancer,NSCLC）患者中的治疗地位仍不可撼动,但目前尚无明确的标志物用于贝伐单抗联合化疗或免疫治疗的获益人群筛选。影像组学通过高通量的提取并量化影像特征表征肿瘤异质性,可用于肿瘤患者的预后研究。鉴于肿瘤的异质性和贝伐单抗的复杂抗肿瘤机制,单一模态的标志物并不能精准的预测预后,而整合基于影像组学的多维度数据可以全面反映机体和肿瘤异质性,有望进一步提升预后预测效能。目前应用最为广泛的生存模型构建方法是Cox比例风险模型（Cox proportional hazards,CPH）,但它依赖于线性风险比例假设,且需进行特征筛选。随着智能医疗的发展,深度学习可以通过自动学习处理高度复杂的非线性函数,已逐步应用于肿瘤诊断、分型等相关研究,但在生存分析中的研究有限;目前尚无深度学习用于NSCLC患者生存分析的相关研究。本研究旨在训练NSCLC患者的首个深度神经网络生存预测系统,指导贝伐单抗个体化精准治疗,实现深度学习预后预测从理论到临床实践应用的转化。第一部分 研究目的:筛选接受贝伐单抗联合化疗的非鳞NSCLC患者预后相关的CT影像组学特征,构建并验证影像组学标签。研究方法:纳入接受贝伐单抗联合化疗的非鳞NSCLC患者,在治疗前的肿瘤强化CT图像中提取海量的影像组学特征,应用最小绝对值收敛和选择算子算法（least absolute shrinkage and selection operator Cox,LASSO-Cox）等方法特征降维,筛选与无进展生存（progression free survival,PFS）独立相关特征;根据其特征系数计算影像组学标签（Radscore）,并在独立验证集验证其效能。研究结果:195例接受贝伐单抗联合化疗的非鳞NSCLC患者纳入分析,训练集和验证集患者基本特征均衡。共提取1041个影像组学特征,经多重特征筛选后得到5个稳定的相互独立的预后相关影像组学特征分别为Information Measure Corr1,Inverse Variance,Local Std Max,Gauss Area,Spherical Disproportion。根据特征系数计算Radscore,训练集Radscore的一致性指数（index of concordance,C-index）为0.65,外部验证集C-index为0.60,可以有效预测患者的PFS。研究结论:影像组学可以用于接受贝伐单抗联合化疗的NSCLC患者的预后预测;Radscore是一个有效的预测工具,可以辅助临床决策的制定。第二部分 研究目的:明确深度神经网络在NSCLC患者预后预测中的价值,训练并验证基于影像组学特征的深度神经网络生存预测系统,实现深度神经网络从理论到实践的转化,指导个体化精准治疗,并探讨其预后预测的潜在分子基础。研究方法:收集接受贝伐单抗联合化疗的NSCLC患者的临床病理、血液学炎症因子和影像组学特征构建高维特征集,经特征筛选后建立低维特征子集。应用激活函数、权重初始化及调整各种超参数训练最优深度神经网络,构建Deep Surv和N-MTLR生存预测系统,评估深度神经网络相较于CPH和机器学习预后模型的优势,并在前瞻性数据集验证其外部适用性。通过基因组DNA甲基化测序差异分析及功能富集分析,挖掘深度神经网络预后预测的潜在分子生物学基础。研究结果:（1）272例接受贝伐单抗联合化疗的非鳞NSCLC患者纳入研究,PD组患者的中性粒淋巴细胞比值（Neutrophil To Lymphocyte Ratio,NLR）,血小板淋巴细胞比值（Platelet To Lymphocyte Ratio,PLR）和乳酸脱氢酶（Lactate dehydrogenase,LDH）在治疗期间显着上升;（2）经多重特征筛选,将吸烟史,解剖分型,骨转移,肝转移,LDH4,NLR4及前期筛选的5个影像组学特征纳入低维特征集;（3）深度神经网络应用He＿uniform初始化权重参数,Re Lu激活函数非线性变换,通过dropout,L2正则化方法等控制过拟合,经过1000次迭代并不断调整超参数优化网络,训练最优Deep Surv和N-MTLR生存预测系统;（4）深度神经网络生存预测系统包括4个隐藏层,隐藏层的神经元数目为100,其中高维Deep Surv具有最佳效能,C-index为0.712,CPH和RSF模型的C-index为0.665和0.68,深度神经网络对比CPH和机器学习算法优势显着;（5）前瞻性数据集验证了深度神经网络生存预测系统的外部适用性和泛化能力,C-index为0.73,且高低风险组患者PFS差异显着（5.9 vs 10.1月,P=0.018）;（6）深度神经网络生存预测系统将患者分为高低风险组,两组DNA甲基化区域差异显着,对应基因包括SOX9,MAP2K2,AKT1,SLC3A2等,其显着富集的功能涉及细胞周期调控及细胞粘附等;（7）差异启动子区域对应基因及其富集的多个功能和通路均与肿瘤免疫反应有关,经免疫组化验证,高风险组患者的Foxp3和PD-L1表达高于低风险组,提示深度神经网络生存预测与肿瘤免疫的潜在相关性。研究结论:深度神经网络可以充分挖掘特征信息,预测贝伐单抗联合化疗的NSCLC患者预后,优于现有的CPH和机器学习模型,且外部适用性好;肿瘤组织免疫微环境状态是其预后预测的潜在分子生物学基础。第三部分 研究目的:筛选贝伐单抗联合免疫治疗的NSCLC患者预后相关的CT影像组学特征,并构建基于影像组学特征的多维度预后模型指导个体化精准治疗。研究方法:纳入接受贝伐单抗联合免疫治疗的非鳞NSCLC患者,收集患者的临床病理特征、血液学炎症因子及CT影像组学特征构建高维特征子集。经特征工程筛选后建立低维特征子集。构建整合的多维度预后模型,并对比深度神经网络、CPH和机器学习模型的性能。研究结果:（1）纳入39例接受贝伐单抗联合免疫治疗的NSCLC患者,PD组患者的NLR和LDH在治疗期间呈显着上升趋势;（2）经多重特征选择后,EGFR突变状态、是否同步全身化疗、NLR2、Delta 5-1 Information Measure Corr1和Delta Range纳入低维特征子集;（3）Delta Rad预测PFS的C-index为0.670,对比实体瘤疗效评价标准（Response Evaluation Criteria In Solid Tumors,RECIST）优势显着,且影像组学特征与肿瘤组织CD8表达水平相关;（4）目前样本量受限的情况下深度神经网络不能充分发挥优势,整合临床病理,血液学炎症因子和影像组学的多维度CPH模型具有最佳的性能,C-index为0.717。研究结论:Delta Rad可协助RECIST标准,用于治疗早期的疗效评估。基于影像组学的多维度CPH模型具有最佳预测效能,可协助指导贝伐单抗联合免疫的精准治疗。
贾敏[8]（2020）在《雌激素受体α基因多态性与膀胱癌和肾癌风险关联的病例对照研究》文中认为目的探讨雌激素受体α基因（ESR1）多态性与中国人群膀胱癌和肾癌患病风险的关系;明确该基因四个位点多态性与膀胱癌和肾癌患者的临床病理特征等的相关性以及与生活环境、生活方式对膀胱癌和肾癌患病风险的交互作用。方法（1）本研究采用1:1配对病例对照研究。从2018年1月至2019年12月收集内蒙古医科大学附属医院以及内蒙古自治区人民医院泌尿外科新确诊的住院患者,其中膀胱癌患者257例、肾癌患者110例组成病例组。对照组选自在内蒙古医科大学附属医院及内蒙古自治区人民医院同期体检的健康个体,对照按性别、年龄±5岁与病例进行1:1匹配。所有研究对象均需签属知情同意书。（2）基本资料以调查问卷形式进行收集,内容包括:一般情况,职业史及既往史,生活习惯和环境状况,家族病史。通过血常规检测报告收集HGB、RBC、WBC、NE%等临床化验结果。通过病理检测报告收集病理类型、病理分级、TNM临床分期及肿瘤远处转移的检查结果。（3）血液标本的采集和保存:所有研究对象清晨空腹状态下（禁食禁水6-8小时）,采集静脉EDTA抗凝血和惰性分离胶促凝血各2ml,离心后分别收集血清和血细胞,-80℃冻存。（4）基因型分型检测:提取研究对象血基因组DNA,设计PCR引物,对ESR1基因（rs2077647、rs1801132、rs2234693、rs9340799）位点分别进行扩增,采用多重高温连接酶检测反应技术（im LDR）对ESR1基因四个位点进行SNP分型检测。（5）酶联免疫吸附测定法（ELISA）检测血清中ESRα蛋白浓度:取100μl血清按人雌激素受体α酶联免疫分析试剂盒说明书检测病例组及对照组血清ESRα蛋白浓度。（6）统计学处理:根据资料性质和研究目的不同,采用IBM SPSS25.0统计软件进行统计学处理。计量资料中服从正态分布,用“均数±标准差”表示;不服从正态分布,用“中位数（四分位数间距）”表示;计数资料用例数（%）表示。两组计量资料比较如服从正态分布、方差齐采用配对t检验,非正态分布或方差不齐采用秩和检验;比较两组间定性资料采用χ2检验。通过χ2检验分析ESR1基因四个位点基因型频率分布是否符合Hardy-Weinberg（H-W）遗传平衡。应用多因素条件Logistic回归计算比值比（Odds Ratio,OR）及其95%可信区间（Confidence Interval,CI）评估生活行为、饮食习惯及基因多态位点等与膀胱癌和肾癌患病风险的关系。采用广义多因子降维法（GMDR）分析ESR1基因多态性与膀胱癌及肾癌的相关性,并进行基因与环境交互作用分析。结果（1）单因素及多因素分析显示,膀胱癌病例组与对照组比较,吸烟、饮酒、饮食口味、憋尿、体力劳动、水果的摄入、锻炼身体均具有统计学差异（P<0.05）,其OR值分别为3.940、2.554、2.079、3.609、22.534、2.440、0.392、0.610;而肾癌与其对照组比较,吸烟、饮食荤素搭配、体力劳动、憋尿情况等差异具有统计学意义（P<0.05）,其OR值分别为6.286、5.976、13.937、5.156。锻炼、BMI、水果摄入情况等在两肿瘤与其对照组中差异均无统计学意义（P>0.05）。（2）ESR1基因四个多态位点中,rs1801132和rs2077647位点在膀胱癌病例组和对照组之间的基因型频率具有统计学差异（P<0.05）,且rs1801132 GG/GC可能为膀胱癌的保护因素（P=0.018,OR=0.523;P<0.001,OR=0.481）,rs2077647TT/CT可能为膀胱癌危险因素（P=0.005,OR=2.621;P=0.015,OR=2.386）,rs2234693和rs93440799位点与膀胱癌发生无明显相关性;而肾癌相关性研究中显示,ESR1基因四个多态性位点均与肾癌患病风险无关。（3）ESR1基因rs1801132、rs2234693位点与吸烟、饮食咸淡、缺乏锻炼等情况在膀胱癌患病风险中存在潜在的基因-环境交互作用;rs1801132、rs2077647位点与体力/脑力劳动、经常憋尿等情况在肾癌患病风险中有潜在的交互作用。（4）ESR1基因多态位点在膀胱癌患者中,rs1801132的基因型分布在病理分级、临床分期、远处转移中均有统计学差异（P<0.05）,rs2077647等位基因分布在临床分期中差异均具有统计学意义（P<0.05）。在肾癌中,rs1801132等位基因频率在病理类型、临床分期中具有统计学差异（P<0.05）,rs9340799基因型分布在临床分期及远处转移中差异具有统计学意义（P<0.05）。rs2234693基因型及等位基因频率分布在两肿瘤各临床指标中差异均无统计学意义（P>0.05）。（5）在膀胱癌临床检查资料中,两之间HGB、RBC、WBC、NE%均具有统计学差异（P<0.05）,且病例组HGB、RBC指标低于对照组,两组数值对比分别为（141.08±22.44g/L,145.86±19.51g/L）和[（4.57±0.72）×10^12/L,（4.77±0.61）×10^12/L];而WBC、NE%高于对照组,分别为[（7.37±3.73）×10^9/L,（6.76±2.30）×10^9/L]和（61.97±11.97,59.73±11.52）。四种血象指标在肾癌病例组与对照组之间差异也具有统计学意义（P<0.05）,且病例组HGB、RBC明显低于对照组,两组分别为（137.01±20.85g/L,145.24±22.76g/L）和[（4.56±0.63）×10^12/L,（4.76±0.68）×10^12/L],而WBC、NE%明显高于对照组,分别为[（7.54±2.52）×10^9/L,（6.82±2.55）×10^9/L]和（65.17±11.93,61.53±13.21）。（6）ELISA方法检测血清中ESRα蛋白浓度,膀胱癌病例组血清中ESRα蛋白浓度明显低于对照组（51.70±12.21pg/ml,64.22±13.46pg/ml）,差异具有统计学意义（t=13.394,P<0.001）;肾癌病例组血清中ESRα蛋白浓度与对照组之间差异无统计学意义（t=0.489,P=0.628）。结论（1）吸烟、饮酒、饮食口味偏咸、憋尿、过度劳累可能为膀胱癌患病的危险因素,水果的摄入、锻炼身体为膀胱癌保护因素;吸烟、食用过多肉类、过度劳累、憋尿可能为肾癌的危险因素。（2）研究结果显示,ESR1基因rs1801132 GG/GC可能为膀胱癌的保护基因型,而rs2077647TT/CT可能为膀胱癌风险基因型。（3）ESR1基因rs1801132、rs2234693位点与吸烟、饮食咸淡、缺乏锻炼等情况在膀胱癌患病风险中存在潜在的基因-环境交互作用;rs1801132、rs2077647位点与体力/脑力劳动、经常憋尿等情况在肾癌患病风险中有潜在的交互作用。（4）在膀胱癌患者中,rs1801132位点的基因型分布与病理分级、临床分期、远处转移中均有统计学关联,rs2077647位点的等位基因分布与临床分期有统计学关联。在肾癌中,rs1801132位点的等位基因频率与病理类型、临床分期有统计学关联,rs9340799位点的基因型分布与临床分期及远处转移有统计学关联。（5）膀胱癌及肾癌病例组体内HGB和RBC含量低于健康对照组,WBC含量和NE%均高于对照组。（6）膀胱癌病例组中ESRα蛋白浓度明显低于对照组。
王少礼[9]（2020）在《基于高通量测序和培养组学的血小板病原体检测方法的建立》文中进行了进一步梳理目的高通量培养组对肠道菌群的培养取得了巨大的进步,采用这种方法不仅能够培养出在传统培养基上能够生长的细菌,而且能够培养出了先前认为“不能培养”的多种细菌。而在采供血领域中如何有效地检测出受污染血小板中含有的细菌一直是个难题。因此,我们拟采用培养组的方法对血小板制品进行精确的检测,并达成以下目的:（1）利用微生物高通量培养组的方法建立一种细菌检测体系,并用此体系来检测受污染血小板样本中存在的细菌,以此来提高血小板中细菌的检出率。同时应用宏基因组高通量测序对上述检测体系进行验证。（2）使用16S rRNA一代测序、16S深度测序对接种样本培养后的细菌种属进行鉴定;采用高通量宏基因组直接对血小板样本中的细菌种属进行鉴定,三种方法综合分析,最终确定血小板中含有的细菌,并对结果进行分析。方法（1）采用培养组中的有氧条件下的8种液体培养基替代传统的1种培养基,对采集的血小板样本接种到液体培养基进行预培养,并把培养液定期在血琼脂平板上均匀涂布,分离出单个菌株并扩增出该细菌的16S rRNA基因片段后采用Sanger测序的方法进行碱基测定;对测序后的结果采用NCBI网站上的BLAST进行比对,鉴定出细菌的种属。（2）对预培养中的液体培养基进行混样,用无菌PBS溶液对血琼脂平板上的细菌冲洗后进行混样,之后对两个混样样本分别做16S深度测序,采用生物信息学的方法对测序结果进行分析并鉴定细菌的种属。（3）对血小板样本进行超速离心后,提取总DNA,建库上机后宏基因组测序,所得数据用本课题组自有软件KrakenPy 1.0进行数据分析并鉴定其中细菌种属;（4）宏基因组测序结果和培养组的结果相互验证,确定出导致血小板污染的细菌种类,并对鉴定出的细菌进行分析。结果（1）建立起检测血小板中细菌的培养体系及后续通过Sanger测序后用BLAST鉴定菌种,用此方法鉴定出此批次受污染血小板样本中存在芽孢杆菌（Bacillus sp.）、赖氨酸芽孢杆菌（Lysinibacillus sp.）、郭霍氏芽孢杆菌（B.kochii）、蜡样芽孢杆菌（B.cereus）、类芽孢杆菌（Paenibacillus sp.）、黄原胶降解菌（P.lautus）、葡萄球菌（Staphylococcus sp.）、马胃葡萄球菌（S.equorum）、红球菌（Rhodococcus sp.）。（2）采用16S深度测序共得到166,678条Raw Tags,质控后得到161,827条Clean Tags,其中预培养（液体培养基）得到82,227条Clean Tags,传代培养（固体培养基）得到79,600条Clean Tags;最终鉴定出预培养中丰度较高的菌种为芽孢杆菌（Bacillus sp.）、葡萄球菌（Staphylococcus sp.）、乳杆菌（Lactobacillus sp.）、类芽孢杆菌（Paenibacillus sp.）、鞘氨醇单胞菌（Sphingomonas sp.）和传代培养中丰度较高的菌种为类芽孢杆菌（Paenibacillus sp.）、葡萄球菌（Staphylococcus sp.）、芽孢杆菌（Bacillus sp.）、Turicibacter、鞘氨醇单胞菌（Sphingomonas sp.）。（3）通过宏基因组测序产出Raw data共72.22 G,质控后得到Clean data共54.53 G,结果显示丰度较高的主要为厚壁菌门（Firmicutes）、放线菌门（Actinobacteria）、变形菌门（Proteobacteria）。其中鉴定出细菌种类最多的是厚壁菌门（Firmicutes）,细菌种类主要包括:苏云金芽孢杆菌（B.thuringiensis）、蜡样芽孢杆菌（B.cereus）、类芽孢杆菌（Paenibacillus sp.）、胶质类芽孢杆菌（P.mucilaginosus）;其次为变形菌门（Proteobacteria）,主要包括:赭黄嗜盐囊菌（Haliangium ochraceum）、嗜麦芽寡养单胞菌（S.maltophilia）;还有放线菌门（Actinobacteria）,主要包括红平红球菌（R.erythropolis）、银色棒杆菌（Corynebacterium argentoratense）。（4）培养组与宏基因组测序结果相互验证后,发现两种方法都检测出的细菌为蜡样芽孢杆菌（B.cereus）、类芽胞杆菌（Paenibacillus sp.）、红平红球菌（R.erythropolis）。宏基因组和培养组学中都出现且丰度较高的细菌最可能为受污染血小板中的细菌,结果显示蜡样芽孢杆菌（B.cereus）、类芽孢杆菌（Paenibacillussp.）和红平红球菌（R.erythropolis）三种细菌最可能是此批次血小板的污染菌,蜡样芽孢杆菌（B.cereus）、类芽孢杆菌（Paenibacillus sp.）一般为皮肤菌群,提示者两种菌可能来自皮肤,这也说明了采集血小板时对献血者和采血者的皮肤消毒都非常重要。另一方面检测出的红球菌的来源尚未明确,至于来自何处后续需要进一步回溯。另外,宏基因组检测出的细菌种类也要多加防范。结论建立起了微生物培养与高通量测序及后续数据处理的流程,微生物培养组、16S rRNA基因一代测序、16S深度测序和宏基因组测序三种技术手段从不同的角度对血小板中的细菌进行检测并相互印证,最终可以精确的确定出血小板中含有的菌类,这为高灵敏地检测出血小板制品中的细菌提供了新的思路,也为以后研发更为自动化的培养组检测系统做了初步探索。通过微生物培养组结果与宏基因组结果对比分析,高通量测序中检测出但没有培养出的变形菌门（Proteobacteria）、放线菌门（Actinobacteria）为血小板样本中可能存在的细菌,这些信息也为改进培养组从而更广泛检测血小板制品中的细菌提供了参考方向。
朱佳玉[10]（2020）在《Nrf2-ARE活性筛检确证平台的建立及其在环境氧化应激物评价及疾病干预中的实验应用研究》文中进行了进一步梳理目的:转录因子E2-相关因子（Nuclear factor E2-Related factor,Nrf2）是一个重要的转录因子,它可以通过调控一系列抗氧化酶和解毒酶来对抗氧化应激,维持细胞内氧化还原稳态,并参与调控许多重要的生理反应。Nrf2缺失的小鼠更易发生急慢性毒性损伤以及氧化应激相关疾病。Nrf2激动剂可活化Nrf2介导的适应性抗氧化反应起到预防氧化应激相关疾病发生的作用。目前有四种Nrf2激动剂作为药物进入临床试验阶段,其中富马酸二甲酯已被FDA批准应用于治疗多发性硬化症。随着研究的不断深入,Nrf2的负面作用逐渐被人们发现。有研究发现多种肿瘤组织中Nrf2表达升高,且Nrf2的持续激活与肿瘤的发生发展及放化疗耐药性相关。通过应用小分子化合物来抑制Nrf2信号通路可能是提高肿瘤放化疗敏感性的有效方法。现有对于Nrf2抑制剂的研究较少,对于Nrf2信号通路的抑制作用多不明确,且它们的安全性及特异性也是向临床试验推进的一个阻碍。另外我们已知环境中存在的化合物会在日常生活中通过不同途径进入人体,对人类健康产生负面影响,其中大部分化合物诱导的机体损伤是由氧化应激引起的。作为调控细胞氧化还原稳态的核心,Nrf2-ARE信号通路会对不同类型的环境氧化应激物作出相应的反应。一些化合物可能通过刺激细胞产生大量活性氧自由基ROS来引起Nrf2信号通路的适应性活化,而一些可能直接作用于Nrf2信号通路导致细胞内氧化还原稳态的破坏。因此,对于细胞内ROS的水平及Nrf2-ARE活性的测定有助于对环境氧化应激物的分类及评价,并为其导致的健康负面影响提供预防措施或为其致病机制提供理论研究依据。研究方法:1.建立Nrf2-ARE活性调节剂及环境氧化应激物筛检确证平台:首先构建多段重复ARE序列的荧光素酶报告基因重组质粒,应用慢病毒转染的方法,在人肝癌细胞系HepG2及人表皮角质细胞系Ha Cat细胞中建立稳定表达ARE荧光素酶的细胞系。根据前期对Nrf2信号通路的研究基础,制定高效可行的Nrf2-ARE活性调节剂筛选策略。对已购入化学品库中七千五百种化合物进行ARE荧光素酶活性测定。初筛实验中,应用10μM化合物在384孔板中处理细胞6 h,随后用酶标仪检测荧光素酶活性。氧化应激物评价平台中,应用DCFH-DA探针法检测细胞内的ROS水平。在96孔板中化合物处理细胞1 h及6 h后收取细胞,随后用酶标仪检测探针的荧光强度。通过检测化合物对ARE活性与细胞内ROS水平的影响,将他们进行分类评价。2.Nrf2-ARE活性候选调节剂的确证实验:对Nrf2-ARE候选抑制剂进行复筛,在HepG2-ARE细胞中应用1.25、2.5和5μM的化合物处理HepG2-ARE细胞6 h,检测ARE荧光素酶活性。随后选取抑制作用明显的化合物,检测这些化合物在更低剂量是否可影响ARE荧光素酶活性。随后在肿瘤细胞HepG2、A549和非肿瘤细胞HaCat中,对候选抑制剂进行24 h细胞活力测定,选择最大无毒性剂量处理细胞4 h或6 h,分别检测Nrf2的蛋白及Nrf2及其下游基因GCLC和GCLM的mRNA变化。对于Nrf2-ARE候选激动剂的研究由于在专利申请阶段,并未放入此论文中。3.Nrf2-ARE活性候选抑制剂的Nrf2通路特异性及抑制作用机制研究:确定候选抑制剂的抑制作用后,用具有抑制Nrf2通路的相同剂量处理A549细胞,检测其他短半衰期蛋白如p53、Survivin的表达以及其他通路如NFE2L1及其下游基因PSM家族的mRNA水平。对于Nrf2候选抑制剂的作用机制研究,用候选抑制剂处理A549细胞系的同时,用RNA合成抑制剂ActD或蛋白合成抑制剂CHX处理细胞,分别检测不同时间点Nrf2的mRNA水平及蛋白水平变化。4.在临床肺癌标本及体内外肺癌实验模型中探究Nrf2在肿瘤发生发展及化疗耐药性中的作用:首先在临床收集的10组肺癌标本中（癌组织、癌旁组织和远癌旁组织）,提取组织RNA及蛋白,检测Nrf2及其下游基因的mRNA和蛋白表达。检测三种肺癌细胞系中Nrf2信号通路的基础表达水平,以及化疗药物三氧化二砷处理细胞24 h后的细胞活力变化。随后我们在小鼠Lewis肺癌3LL细胞中建立了稳定敲除Nrf2的细胞系,检测三种肺癌常用化疗药物处理细胞24 h后的细胞活力变化。最后应用Nrf2-KD的细胞系进行小鼠体内荷瘤实验,将16只雄性C57BL/6小鼠分为两组,每只小鼠于右前肢腋下部位皮下注射1×106个SCR或Nrf2-KD细胞。接种第七天后每两日测量小鼠体重及肿瘤大小,第20天收取小鼠,分离皮下肿瘤进行称重及照片采集。5.Nrf2-ARE活性候选抑制剂的实验应用研究:在人A549及小鼠3LL细胞中,应用候选抑制剂及不同剂量化疗药物处理细胞24 h,检测候选抑制剂对化疗药物引起的细胞毒性的影响。在A549细胞中,应用实时无标记动态细胞分析技术,监测候选抑制剂与化疗药物联合应用对肿瘤细胞生长的影响。随后应用3LL细胞在C57BL/6小鼠上进行荷瘤实验,从第九天开始每两天进行腹腔注射给药,共分为4个实验组:对照组,TPL组,化疗药物组（Cisplatin或Epirubicin）,联合给药组（TPL+化疗药物）。给药5次后,在第19天收取小鼠,检测指标同方法4。同时对小鼠血清中ALT及AST水平进行检测以评价药物毒作用。结果:1.ARE荧光素酶报告基因稳转细胞系建立及化学品库的初筛结果:首先我们用已知的Nrf2活性激动剂姜黄素及tBHQ处理稳定转染ARE荧光素酶报告基因的细胞系,ARE荧光素酶活性显着升高,差异具有统计学意义（P<0.05）,说明细胞系建立成功。随后用化学品库7500种化合物处理HepG2-ARE细胞,检测6 h后ARE荧光素酶活性变化。其中ARE活性升高至150%以上,作为ARE活性候选激动剂,ARE活性降低至50%以下为ARE活性候选抑制剂;2.环境氧化应激物分类及评价平台的建立及ROS水平测定:以三种Nrf2通路相关的典型化合物亚砷酸钠、乙硫异烟胺及喜树碱为例对环境氧化应激物的平台建立及筛检策略进行说明。亚砷酸钠可提高ARE荧光素酶活性,且具有剂量反应关系,差异具有统计学意义（P<0.05）。用亚砷酸钠处理细胞1 h后可明显增加细胞内ROS水平,差异具有统计学意义（P<0.05）,而6 h时ROS水平无改变。这与本实验室前期的研究结果一致,说明我们成功建立了96孔板检测细胞内ROS水平的方法。Nrf2-ARE活性抑制剂乙硫异烟胺可降低ARE活性,1 mM ETH处理1 h及6 h都引起细胞内ROS的累积,差异具有统计学意义（P<0.05）。而Nrf2-ARE活性抑制剂喜树碱处理后降低ARE活性的同时也使细胞内ROS水平下降,差异具有统计学意义（P<0.05）。结合ARE活性及细胞内ROS水平,我们可将他们分为四类。亚砷酸钠为ARE激动型氧化应激物,这类化合物会通过引起过量ROS产生导致氧化应激损伤,同时会活化以Nrf2为代表的适应性抗氧化反应;乙硫异烟胺为ARE活性抑制型氧化应激物,其可引起细胞内ROS的产生,并且由于抑制Nrf2-ARE介导的抗氧化反应,进而导致氧化应激状态的持续存在;喜树碱为未引起氧化应激的ARE活性抑制剂,这类化合物可能通过多种机制直接影响Nrf2及其信号通路表达水平,且不使细胞内产生ROS的累积,说明其具有较大的安全性。另有一部分化合物为未影响ROS水平的ARE激活型化合物。这类化合物可能通过影响Nrf2/Keap1之间蛋白连接等机制,只激活了Nrf2的水平,但不影响细胞内ROS水平,认为是安全性较高的Nrf2激活剂。3.复筛确证实验证明候选抑制剂TPL及ANM可抑制Nrf2-ARE活性:在HepG2-ARE细胞中,通过对Nrf2-ARE活性候选抑制剂进行复筛实验,我们发现极低剂量（0.05μM）的候选抑制剂TPL和ANM可以降低ARE荧光素酶活性,差异具有统计学意义（P<0.05）。在肿瘤细胞HepG2及A549中,无毒性剂量的TPL可降低Nrf2及其下游基因的mRNA水平和Nrf2的蛋白水平,且成剂量反应关系,差异具有统计学意义（P<0.05）,而在非肿瘤细胞Ha Cat中无此作用。无毒性剂量的抑制剂ANM在这三种细胞系中均可抑制Nrf2的蛋白表达水平,但对Nrf2及其下游基因的mRNA水平无影响。提示TPL及ANM均可抑制Nrf2信号通路,但作用机制不同。5.抑制剂TPL对Nrf2信号通路的抑制作用具有特异性:在抑制Nrf2蛋白水平的同时,候选抑制剂ANM也可显着地降低其他短半衰期蛋白的表达,不具有Nrf2抑制作用的特异性;而TPL对其他短半衰期蛋白无影响,也对NFE2L1及其下游PSM家族mRNA水平无影响。对于TPL的作用机制研究中,TPL可降低Nrf2的mRNA水平,但未影响Nrf2的mRNA。可能的机制为TPL影响了Nrf2的转录或转录后调控,仍需进行进一步研究。6.肺癌细胞中Nrf2的高表达会加快肿瘤的生长并降低化疗敏感性:在临床收集的10对新鲜肺癌组织标本中,部分患者的Nrf2及其下游基因GCLC的mRNA及蛋白水平在癌组织中高于癌旁组织,但差异不具有统计学差异（P>0.05）。需要再继续收集更多标本,并根据肿瘤不同分期或分型来进行统计分析。在对三种人非小细胞肺癌细胞系的研究中,A549的Nrf2及其下游基因的表达水平最高,其对三氧化二砷所致的细胞毒性敏感性最低,H1275的Nrf2表达水平居中,具有最低Nrf2基础水平的H1299,相同剂量三氧化二砷处理后,它的细胞活力最低,差异具有统计学意义（P<0.05）。说明肿瘤细胞内Nrf2的表达水平越高其对化疗药物的敏感性越差。在小鼠Lewis肺癌细胞3LL中,与SCR细胞相比,相同剂量化疗药物处理后,Nrf2-KD细胞系的细胞活力更低,对化疗药物更敏感,差异具有统计学意义（P<0.05）。小鼠体内荷瘤实验中,与接种SCR细胞的小鼠相比,接种Nrf2-KD细胞的小鼠肿瘤体积显着减小,差异具有统计学意义（P<0.05）。7.抑制剂TPL可提高肿瘤对化疗药物细胞毒性的敏感性:A549及3LL细胞中,与对照组相比,TPL处理组可降低相同剂量化疗药物处理的细胞活力,差异具有统计学意义（P<0.05）,说明TPL可提高肿瘤细胞化疗药物敏感性。实时无标记动态细胞分析实验再次证明相同结果。体内实验中,TPL或者化疗药物单独处理组可稍减缓肿瘤的生长速度,降低肿瘤大小,但并无统计学差异。而TPL与化疗药物Cisplatin或Epirubicin联合处理组,均可明显减缓肿瘤生长,降低肿瘤大小,差异具有统计学意义（P<0.05）。并且各组之间小鼠体重、血清AST及ALT水平并无差异,说明给药期间未出现毒性。结论:1.成功建立以ARE荧光素酶活性为核心的高通量筛选平台,并结合检测氧化应激水平,来实现筛检Nrf2-ARE活性调节剂和对环境氧化应激物的分类及评价。2.应用Nrf2-ARE活性筛检平台发现低毒性高特异性的新型Nrf2-ARE活性抑制剂TPL,其在体内外肺癌模型中,可通过抑制Nrf2信号通路水平显着提高肿瘤对化疗药物的敏感性,为未来临床肿瘤治疗提供新方向。
二、基因组学与肿瘤的筛检（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基因组学与肿瘤的筛检（论文提纲范文）
（1）肿瘤防治中“上医治未病”理念的实施与挑战（论文提纲范文）
| 1 恶性肿瘤是威胁人类健康的重大疾病 |
| 2 肿瘤预防、筛查和早诊早治是肿瘤防控的关键手段 |
| 2.1 恶性肿瘤“防重于治” |
| 2.2 肿瘤筛查与早诊早治是肿瘤防控的关键 |
| 3 “上医治未病”理念在肿瘤防治中的实施 |
| 3.1 国家政策引导肿瘤防治工作 |
| 3.2 建立科学防治指南，改善肿瘤防治不足或过度 |
| 3.3 肿瘤防治新技术的研发 |
| 3.4 科学普及防癌抗癌理念 |
| 4 肿瘤防控的挑战 |
| 4.1 肿瘤防控不足的挑战 |
| 4.2 肿瘤防控过度的剖析和应对策略 |
| 5 总结与展望 |
（2）基于生物信息学的弥漫型胃癌与肠型胃癌多组学多维度差异比较研究（论文提纲范文）
| 摘要 |
| Abstract |
| 英文缩略语 |
| 第一部分:弥漫型胃癌与肠型胃癌多组学差异比较 |
| 1 前言 |
| 2 材料与方法 |
| 2.1 病例来源 |
| 2.2 突变基因差异分析 |
| 2.3 DNA拷贝数变异差异分析 |
| 2.4 DNA甲基化差异分析 |
| 2.5 ncRNA表达差异分析 |
| 2.5.1 miRNA表达差异分析 |
| 2.5.2 lncRNA表达差异分析 |
| 2.6 mRNA表达差异分析 |
| 2.7 蛋白表达差异分析 |
| 2.8 功能富集分析 |
| 2.9 DNA甲基化与mRNA表达联合分析 |
| 2.10 ceRNA网络分析 |
| 2.11 蛋白表达多维调控网络分析 |
| 2.12 DGC与IGC多组学联合分析 |
| 3 结果 |
| 3.1 DGC与IGC基因组学差异分析 |
| 3.1.1 突变差异分析 |
| 3.1.2 DNA拷贝数差异分析 |
| 3.2 DGC与IGC表观基因组学差异分析 |
| 3.2.1 DNA甲基化差异分析 |
| 3.2.2 DNA甲基化差异基因功能富集分析 |
| 3.3 ncRNA表达差异分析 |
| 3.3.1 miRNA表达差异 |
| 3.3.2 lncRNA表达差异 |
| 3.4 DGC与IGC转录组学差异分析 |
| 3.4.1 mRNA表达差异分析 |
| 3.4.2 mRNA表达差异基因功能富集分析 |
| 3.5 DGC与IGC蛋白组学差异分析 |
| 3.5.1 蛋白表达差异分析 |
| 3.6 DGC与IGC多组学参数联合分析与归因分析 |
| 3.6.1 DNA甲基化与mRNA表达联合分析 |
| 3.6.2 ceRNA网络分析 |
| 3.6.3 DGC与IGC相关通路差异表达蛋白多维调控网络分析 |
| 3.6.4 多组学参数归因分析 |
| 4 讨论 |
| 4.1 DGC与IGC基因组学差异分析 |
| 4.1.1 突变差异分析 |
| 4.1.2 DNA拷贝数差异分析 |
| 4.2 DGC与IGC表观基因组学差异分析 |
| 4.2.1 DGC与IGCDNA甲基化差异分析 |
| 4.2.2 DGC与IGC ncRNA差异 |
| 4.3 DGC与IGC mRNA差异分析 |
| 4.4 DGC与IGC蛋白表达差异 |
| 4.5 DGC与IGC多组学参数联合分析与归因分析 |
| 4.5.1 DGC与IGCDNA甲基化与mRNA表达联合分析 |
| 4.5.2 DGC与IGC ceRNA网络分析 |
| 4.5.3 DGC与IGC相关通路蛋白表达多维调控网络差异分析 |
| 4.5.4 DGC与IGC多组学参数归因分析 |
| 5 结论 |
| 第二部分:弥漫型胃癌与肠型胃癌免疫微环境的差异比较 |
| 1 前言 |
| 2 材料与方法 |
| 2.1 病例来源 |
| 2.2 免疫浸润细胞差异分析 |
| 2.3 白介素、趋化因子及受体表达差异分析 |
| 2.4 胃癌Larren分型与免疫炎性细胞与细胞因子/趋化因子及其受体的相关性分析 |
| 3 结果 |
| 3.1 免疫浸润细胞差异分析 |
| 3.2 白介素、趋化因子及受体表达差异分析 |
| 3.3 细胞因子(白介素)表达差异分析 |
| 3.4 免疫细胞与趋化因子、细胞因子联合分析 |
| 4 讨论 |
| 5 结论 |
| 第三部分:基于单细胞测序的弥漫型胃癌与肠型胃癌组织发生研究 |
| 6 前言 |
| 7 材料与方法 |
| 7.1 DGC与IGC病例选择 |
| 7.2 单细胞测序结果均一化、聚类及细胞鉴定 |
| 7.3 拟时序分析 |
| 7.4 转录因子活性分析 |
| 7.5 细胞间相互作用分析 |
| 7.6 细胞内活性通路分析 |
| 8 结果 |
| 8.1 不同胃黏膜状态中胃黏膜上皮单细胞测序图谱 |
| 8.2 胃黏膜上皮细胞的拟时序分析 |
| 8.3 不同胃黏膜上皮细胞转录因子活性分析 |
| 8.4 不同胃黏膜状态中细胞间受体-配体相互作用分析 |
| 8.5 不同胃黏膜状态中胃黏膜上皮细胞通路分析 |
| 9 讨论 |
| 9.1 不同胃黏膜状态中胃黏膜上皮单细胞测序图谱 |
| 9.2 胃黏膜上皮细胞的拟时序分析 |
| 9.3 不同胃黏膜状态中胃黏膜上皮细胞通路分析 |
| 10 结论 |
| 局限性说明 |
| 论文创新性的自我评价 |
| 参考文献 |
| 综述 胃癌分型研究进展 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
| 个人简历 |
（3）Hsa＿circ＿0002320在结直肠癌中的表达及潜在的临床研究价值（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 英文缩写 |
| 引言 |
| 第一部分 Hsa＿circ＿0002320在结直肠癌中的表达及与临床病理特征之间的关系 |
| 前言 |
| 材料与方法 |
| 结果 |
| 讨论 |
| 小结 |
| 参考文献 |
| 第二部分 过表达hsa＿circ＿0002320对结直肠癌的侵袭、迁移、增殖及上皮-间质转化的影响 |
| 前言 |
| 材料与方法 |
| 结果 |
| 讨论 |
| 小结 |
| 参考文献 |
| 第三部分 Hsa＿circ＿0002320在结直肠癌诊断和预后中的作用 |
| 前言 |
| 资料与方法 |
| 结果 |
| 讨论 |
| 小结 |
| 参考文献 |
| 结论 |
| 综述 环状RNA在消化系统肿瘤中的研究进展 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（4）健康中国行动与肿瘤精准健康管理（论文提纲范文）
| 1 精准健康管理在肿瘤防控中的应用现状 |
| 2 肿瘤精准健康管理的内容 |
| 2.1 肿瘤生物医学大数据的信息采集 |
| 2.2 数据驱动的肿瘤精准风险评估 |
| 2.3 肿瘤的精准干预 |
| 2.3.1 精准药物干预 |
| 2.3.2 精准营养干预 |
| 2.3.3 精准生活方式干预 |
| 3 小结与展望 |
（5）基于深度学习的乳腺癌病理图像量化与影像基因组学分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 乳腺癌 |
| 1.2.1 乳腺癌的简介 |
| 1.2.2 乳腺癌分类 |
| 1.2.3 乳腺癌治疗 |
| 1.3 肿瘤微环境研究现状 |
| 1.3.1 概念及研究意义 |
| 1.3.2 基于病理图像的特征简介 |
| 1.3.3 病理图像特征与分子数据的关联 |
| 1.3.4 病理图像特征与预后预测的关联 |
| 1.4 论文的研究内容与创新点 |
| 1.5 论文的组织结构 |
| 第二章 基于DCNN模型的乳腺癌病理组织分割与量化 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.2.1 CNN简介 |
| 2.2.2 CNN分割模型简介 |
| 2.3 方法的框架 |
| 2.3.1 基于DCNN的组织分割模型 |
| 2.3.2 WSI组织分割框架 |
| 2.3.3 上皮与基质组织的特征量化 |
| 2.4 实验数据与设置 |
| 2.4.1 实验数据 |
| 2.4.2 实验设置 |
| 2.4.3 评价指标 |
| 2.5 实验结果与分析 |
| 2.5.1 DCNN模型在TMA数据集上的分割结果 |
| 2.5.2 DCNN模型在TCGA数据集上的分割结果验证 |
| 2.5.3 TCGA全景病理的组织分割与量化结果 |
| 2.6 本章小结 |
| 第三章 基于级联训练U-NET模型的乳腺癌全自动免疫评估 |
| 3.1 引言 |
| 3.2 方法的框架 |
| 3.2.1 基于级联训练的U-net免疫细胞检测模型 |
| 3.2.2 基于WSI的免疫特征提取 |
| 3.3 实验数据与设置 |
| 3.3.1 实验数据 |
| 3.3.2 实验设置 |
| 3.3.3 评价指标 |
| 3.4 实验结果与分析 |
| 3.4.1 细胞层面性能评估 |
| 3.4.2 全景病理切片上的整体评估 |
| 3.5 本章小结 |
| 第四章 乳腺癌病理图像与多组学数据整合分析 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.2.1 统计相关分析 |
| 4.2.2 基因富集分析 |
| 4.2.3 生存分析简介 |
| 4.3 方法的框架 |
| 4.3.1 组织特征与基因表达数据的关联分析 |
| 4.3.2 TIL特征与基因数据的关联分析 |
| 4.3.3 TIL特征的预后预测分析 |
| 4.4 实验数据 |
| 4.4.1 实验数据 |
| 4.5 实验结果与分析 |
| 4.5.1 病理组织在不同乳腺癌亚型中的特异性功能分析 |
| 4.5.2 TIL特征与基因转录组数据的关联结果 |
| 4.5.3 TIL特征与体细胞变异数据的关联结果 |
| 4.5.4 TIL特征在不同乳腺癌亚型中的预后预测结果 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 攻读学位期间成果 |
| 致谢 |
（7）基于影像组学的多维度深度学习模型预测贝伐单抗治疗晚期非小细胞肺癌患者预后的研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 缩略语/符号说明 |
| 前言 |
| 研究现状、成果 |
| 研究目的、方法 |
| 一、影像组学预测接受贝伐单抗联合化疗的NSCLC患者预后的研究 |
| 1.1 对象和方法 |
| 1.1.1 研究对象 |
| 1.1.2 影像组学数据库构建 |
| 1.1.3 ROI勾画及CT影像组学特征提取分析 |
| 1.1.4 CT影像组学特征降维和筛选 |
| 1.1.5 影像组学标签的构建、评价及验证 |
| 1.1.6 统计分析 |
| 1.2 研究结果 |
| 1.2.1 影像组学数据库基本特征分析 |
| 1.2.2 CT影像组学特征提取分析 |
| 1.2.3 CT影像组学特征降维和筛选 |
| 1.2.4 Radscore的构建、评价及验证 |
| 1.3 讨论 |
| 1.4 小结 |
| 二、基于影像组学的深度神经网络生存模型预测接受贝伐单抗联合化疗的NSCLC患者预后的研究 |
| 2.1 对象和方法 |
| 2.1.1 研究对象 |
| 2.1.2 数据库及高维特征集构建 |
| 2.1.3 血液学炎症因子纵向动力学分析 |
| 2.1.4 低维特征子集选择 |
| 2.1.5 深度神经网络训练及优化 |
| 2.1.6 Deep Surv和 N-MTLR生存预测系统训练及性能评价 |
| 2.1.7 深度神经网络对比CPH和机器学习预后模型 |
| 2.1.8 前瞻性数据集的外部适用性验证 |
| 2.1.9 深度神经网络预后预测的分子生物学基础 |
| 2.1.10 MeDIP-seq文库的构建及测序 |
| 2.1.11 MeDIP-Seq测序数据处理和分析 |
| 2.1.12 免疫组织化学染色 |
| 2.1.13 统计分析 |
| 2.2 研究结果 |
| 2.2.1 数据库基本特征 |
| 2.2.2 血液学炎症因子纵向动力学分析 |
| 2.2.3 低维特征子集选择 |
| 2.2.4 深度神经网络参数优化 |
| 2.2.5 Deep Surv和 N-MTLR生存预测系统训练及性能评价 |
| 2.2.6 深度神经网络对比CPH和机器学习预后模型 |
| 2.2.7 高维深度神经网络生存预测系统构建、评价及对比 |
| 2.2.8 前瞻性数据集的外部适用性验证 |
| 2.2.9 基因组DNA MeDIP-seq测序分析 |
| 2.2.10 深度神经网络预后预测的分子生物学基础 |
| 2.3 讨论 |
| 2.4 小结 |
| 三、基于影像组学的多维度模型预测贝伐单抗联合免疫治疗NSCLC患者预后的研究 |
| 3.1 对象和方法 |
| 3.1.1 研究对象 |
| 3.1.2 数据库构建 |
| 3.1.3 CT影像组学特征提取、筛选及降维 |
| 3.1.4 影像组学特征相关的分子生物学特性 |
| 3.1.5 影像组学标签的构建及评价 |
| 3.1.6 血液学炎症因子纵向动力学分析 |
| 3.1.7 低维特征子集选择 |
| 3.1.8 多维度整合预后模型的构建及不同算法对比 |
| 3.1.9 统计分析 |
| 3.2 研究结果 |
| 3.2.1 数据库基本特征 |
| 3.2.2 CT影像组学特征提取和筛选 |
| 3.2.3 影像组学特征相关的分子生物学特性 |
| 3.2.4 Delta Rad的构建及评价 |
| 3.2.5 血液学炎症因子纵向分析 |
| 3.2.6 低维特征子集选择 |
| 3.2.7 基于影像组学的多维度整合预后模型的构建 |
| 3.2.8 基于不同算法的高维和低维预后模型性能对比 |
| 3.3 讨论 |
| 3.4 小结 |
| 全文结论 |
| 论文创新点 |
| 参考文献 |
| 综述 影像组学在非小细胞肺癌中的应用及研究进展 |
| 综述参考文献 |
| 致谢 |
| 个人简历 |
（8）雌激素受体α基因多态性与膀胱癌和肾癌风险关联的病例对照研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 前言 |
| 材料与方法 |
| 结果 |
| 讨论 |
| 结论 |
| 参考文献 |
| 文献综述 雌激素受体 α 基因(ESR1)多态性与膀胱癌肾癌易感性的研究进展 |
| 参考文献 |
| 英汉名词缩略语表 |
| 攻读学位期间发表文章情况 |
| 个人简历 |
| 致谢 |
| 附: 生活状况与健康调查表 |
（9）基于高通量测序和培养组学的血小板病原体检测方法的建立（论文提纲范文）
| 摘要 |
| Abstract |
| 一、前言 |
| 1. 血小板中细菌的主要来源 |
| 1.1 献血者的皮肤菌群 |
| 1.2 献血者近期有感染 |
| 1.3 采集耗材质量问题 |
| 1.4 采集人员的手部消毒不合格 |
| 1.5 采集环境的消毒不合格 |
| 2. 目前报道出导致血小板污染的细菌种类 |
| 3. 目前针对血小板的细菌污染采取的措施 |
| 3.1 严格筛査献血者 |
| 3.2 对采血室的环境进行消毒 |
| 3.3 确保血小板采集耗材质量合格及规范操作 |
| 4. 检测血小板的方法 |
| 4.1 革兰氏染色法 |
| 4.2 吖啶橙染色法 |
| 4.3 血小板旋动 |
| 4.4 试纸检测法 |
| 4.5 核酸技术 |
| 4.6 流式细胞术 |
| 4.7 酶联试验 |
| 4.8 PALL PGD检测系统 |
| 4.9 PALL BDS检测系统 |
| 4.10 Scansystem检测系统 |
| 4.11 BacT/ALERT 3D全自动细菌培养检测系统 |
| 4.12 改良马丁/硫乙醇酸盐液体培养基 |
| 4.13 内毒素的检查 |
| 4.14 抗生素探针 |
| 5. 输注细菌污染血小板的不良后果 |
| 6. 宏基因组学 |
| 7. 微生物生物培养组的兴起 |
| 8. 血小板细菌检测培养法的改进 |
| 二、材料 |
| 1.血小板样本 |
| 1.1 血小板样本来源 |
| 1.2 血小板样本处理注意事项 |
| 2 主要实验试剂、仪器和耗材 |
| 2.1 实验试剂 |
| 2.2 培养基的组成 |
| 2.3 基础培养基主要成分表 |
| 2.4 实验材料 |
| 2.5 实验仪器 |
| 2.6 实验试剂盒 |
| 2.7 引物合成 |
| 三、方法 |
| 1.技术路线 |
| 2.微生物培养组检测 |
| 2.1 实验前的准备工作 |
| 2.2 培养基配制方法 |
| 2.3 样本的培养及菌种的鉴定 |
| 3 高通量测序模板制备与宏基因组测序 |
| 3.1 血小板微生物的基因组DNA的提取 |
| 3.2 开发宏基因组生物信息学分析程 |
| 4 宏基因组结果与微生物培养组结果联合分析 |
| 四、结果 |
| 1.微生物培养组结果 |
| 1.1 微生物培养组及16S rRNA基因一代测序 |
| 1.2 16S rRNA深度测序结果 |
| 1.3 微生物培养组的一代16S检测结果与16S深度测序结果对比 |
| 2.血小板样本微生物的宏基因组分析 |
| 3.宏基因组结果与微生物培养组结果联合分析 |
| 五、讨论 |
| 六、结论 |
| 七、展望 |
| 参考文献 |
| 附录一 缩略词表 |
| 附录二 采用培养组学培养出“不能培养”的细菌 |
| 个人简历 |
| 综述 微生物组与宏基因组技术 |
| 参考文献 |
| 致谢 |
（10）Nrf2-ARE活性筛检确证平台的建立及其在环境氧化应激物评价及疾病干预中的实验应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 英文缩略语 |
| 第一部分:Nrf2-ARE活性调节剂及环境氧化应激物筛检确证平台的建立 |
| 1 前言 |
| 2 材料和方法 |
| 2.1 主要试剂和仪器 |
| 2.2 实验方法 |
| 3 结果 |
| 3.1 不同细胞系Nrf2-ARE活性基础表达水平具有一定差异 |
| 3.2 ARE荧光素酶报告基因稳定转染细胞的建立及验证 |
| 3.3 Nrf2-ARE活性调节剂筛检平台建立及筛选策略 |
| 3.4 高通量检测化学品库对ARE荧光素酶活性影响 |
| 3.5 环境氧化应激物分类及评价平台建立及筛检策略 |
| 3.6 环境氧化应激物分类及评价案例 |
| 4 讨论 |
| 5 结论 |
| 第二部分:Nrf2-ARE活性调节剂确证及机制研究 |
| 6 前言 |
| 7 材料和方法 |
| 7.1 主要试剂和仪器 |
| 7.2 实验方法 |
| 8 结果 |
| 8.1 Nrf2-ARE活性候选抑制剂复筛结果 |
| 8.2 Nrf2-ARE活性候选抑制剂TPL可抑制肿瘤细胞中Nrf2 信号通路 |
| 8.3 Nrf2-ARE活性候选抑制剂TPL对非肿瘤细胞系中Nrf2 信号通路无影响 |
| 8.4 Nrf2-ARE活性候选抑制剂对Nrf2抑制作用的特异性研究 |
| 8.5 Nrf2-ARE活性抑制剂TPL抑制Nrf2 信号通路的作用机制 |
| 9 讨论 |
| 10 结论 |
| 第三部分:Nrf2-ARE活性抑制剂的实验应用研究 |
| 11 前言 |
| 12 材料和方法 |
| 12.1 主要试剂和仪器 |
| 12.2 动物建模 |
| 12.3 实验方法 |
| 13 结果 |
| 13.1 临床肺癌标本中Nrf2表达水平测定 |
| 13.2 肿瘤细胞系Nrf2基础水平与对化疗药物敏感性相关 |
| 13.3 Nrf2 敲除的小鼠Lewis肺癌细胞系3LL对化疗药物敏感性更高 |
| 13.4 Nrf2敲除的3LL细胞系在小鼠体内荷瘤实验中皮下肿瘤生长缓慢 |
| 13.5 Nrf2-ARE活性抑制剂TPL可提高A549 细胞系对化疗药物的敏感性 |
| 13.6 Nrf2-ARE活性抑制剂TPL在体内小鼠荷瘤实验中可提高化疗敏感性 |
| 14 讨论 |
| 15 结论 |
| 本研究创新性自我评价 |
| 参考文献 |
| 综述 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
| 个人简历 |
四、基因组学与肿瘤的筛检（论文参考文献）
- [1]肿瘤防治中“上医治未病”理念的实施与挑战[J]. 崔久嵬. 医学与哲学, 2021(11)
- [2]基于生物信息学的弥漫型胃癌与肠型胃癌多组学多维度差异比较研究[D]. 王昂. 中国医科大学, 2021(02)
- [3]Hsa＿circ＿0002320在结直肠癌中的表达及潜在的临床研究价值[D]. 杨宁. 河北医科大学, 2021(02)
- [4]健康中国行动与肿瘤精准健康管理[J]. 周泽宸,余红平,陈大方. 中国癌症防治杂志, 2020(05)
- [5]基于深度学习的乳腺癌病理图像量化与影像基因组学分析[D]. 陆紫箫. 南方医科大学, 2020(06)
- [6]华大基因的商业模式与投资价值研究[D]. 蔡锦. 东南大学, 2020
- [7]基于影像组学的多维度深度学习模型预测贝伐单抗治疗晚期非小细胞肺癌患者预后的研究[D]. 李步托. 天津医科大学, 2020(06)
- [8]雌激素受体α基因多态性与膀胱癌和肾癌风险关联的病例对照研究[D]. 贾敏. 内蒙古医科大学, 2020(03)
- [9]基于高通量测序和培养组学的血小板病原体检测方法的建立[D]. 王少礼. 北京协和医学院, 2020(05)
- [10]Nrf2-ARE活性筛检确证平台的建立及其在环境氧化应激物评价及疾病干预中的实验应用研究[D]. 朱佳玉. 中国医科大学, 2020