Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Methodenartikel

Geïntegreerde machine learning-benaderingen om de rol van glycosyleringsgerelateerde genen bij idiopathische pulmonale fibrose te onderzoeken

177 weergaven

⸱

DOI:

10.3791/71408

⸱

31 juli 2026

 ,  ,  , 
1Department of Rheumatology and Immunology, The First Affiliated Hospital of Jinan University, 2Department of Rheumatology and Immunology, The First Affiliated Hospital of Bengbu Medical University

In dit artikel

Samenvatting

Deze studie gebruikte geïntegreerde transcriptomische analyse, machine learning (LASSO, SVM-RFE en XGBoost), immuuninfiltratieanalyse, moleculaire docking en RT-qPCR-validatie om glycosylatiegerelateerde genen te identificeren die geassocieerd zijn met idiopathische pulmonale fibrose. Tien kandidaat-diagnostische genen werden geïdentificeerd en een diagnostisch model met sterke prestaties in longweefseldatasets werd ontwikkeld en gevalideerd.

Samenvatting

Idiopathische pulmonale fibrose (IPF) is een progressieve chronische longziekte met een onduidelijke etiologie, en de bijdrage van glycosylatie-gerelateerde genen (GRG's) aan de pathogenese ervan is nog slecht begrepen. Deze studie richt zich op het ophelderen van de mogelijke mechanismen van GRG's in IPF, het identificeren van belangrijke biomarkers en het ontwikkelen van een diagnostisch model met behulp van bio-informatica en machine learning. Transcriptomische gegevens uit de GEO-database werden geïntegreerd met GRG's om hun rol in IPF te onderzoeken. Differentieel expressieve genen (DEGs) werden geïdentificeerd en onderworpen aan functionele verrijking en eiwit-eiwitinteractie (PPI) analyses. Een machine learning-workflow die LASSO-regressie, ondersteuning van vector machine-recursieve feature elimination (SVM-RFE) en XGBoost combineert, werd toegepast om belangrijke genen te identificeren en een diagnostisch model te construeren met behulp van de GSE150910 trainingsdataset. De modelprestaties werden vervolgens geëvalueerd in vier onafhankelijke validatiedatasets. Aanvullende analyses, waaronder gensetverrijkingsanalyse (GSEA), immuuninfiltratieanalyse, geneesmiddel-geninteractieanalyse, moleculaire docking en RT-qPCR-validatie met perifere bloedmonsters van IPF-patiënten en gezonde controles, werden uitgevoerd om de biologische relevantie van de geïdentificeerde genen te onderzoeken. In totaal werden 126 glycosyleringsgerelateerde DEG's geïdentificeerd en werden 10 sleutelgenen geselecteerd. Het diagnostisch model behaalde oppervlakte-onder de curve (AUC)-waarden van 0,963 en 0,814 op longweefseldatasets, en 0,681 en 0,706 op bloeddatasets. Immuno-infiltratieanalyse toonde verschillen in B-cel abundantie tussen patiëntensubgroepen, en RT-qPCR-validatie bevestigde de differentiële expressie van geselecteerde genen in klinische monsters. Deze bevindingen geven inzicht in de mogelijke betrokkenheid van GRG's bij IPF en ondersteunen hun relevantie als kandidaat-diagnostische genen.

Inleiding

Idiopathische pulmonale fibrose (IPF) is een progressieve, fibroserende interstitiële longziekte die wordt gekenmerkt door een heterogene pathogenese, waarbij genetische aanleg, omgevingsfactoren en immuundisfunctiebetrokken zijn 1,2. De ziekte brengt aanzienlijke klinische uitdagingen met zich mee, voornamelijk door moeilijkheden bij vroege diagnose, beperkte therapeutische effectiviteit en een over het algemeen slechte prognose. De prevalentie van IPF varieert van 20 tot 80 patiënten per 100.000, en zonder behandeling is de mediane overlevingstijd na diagnose doorgaans 3–5 jaar 3,4. Het identificeren van patiënten met een hoger risico op snelle ziekteprogressie is cruciaal voor effectieve behandelstrategieën, waardoor gerichte therapieën mogelijk zijn voor degenen die het meest waarschijnlijk een achteruitgang van de ziekte ervaren.

Glycosylering, een co-translationele en post-translationele modificatie van eiwitten, speelt een cruciale rol bij het reguleren van eiwitactiviteit en celbiologie 5,6. Ontregelde eiwitglycosylering draagt waarschijnlijk bij aan de progressie van IPF 7,8. Bij veel reumatische ziekten worden veranderingen in eiwitglycosylering waargenomen, die nauw samenhangen met ontstekingsprocessen en ziekteprogressie9. Zo ontdekten Lyu et al. dat CRLF1 en GLG1 sleutelspelers zijn in de pathologische processen van artrose10. Bovendien is glycosylering in verband gebracht met de activatie van immuuncellen in longweefsels, wat verder in verband wordt gebracht met de pathogenese van longziekten11. Hierdoor kan de dysregulatie van eiwitglycosylering ook bijdragen aan de progressie van IPF. De rol van glycosyleringsgerelateerde genen (GRG's) in IPF blijft echter onderbelicht, en hun potentieel voor het diagnosticeren van IPF verdient nader onderzoek.

Hier hebben we een studie uitgevoerd waarin machine learning-benaderingen en RNA-sequencingdata werden geïntegreerd om belangrijke GRG's te identificeren die samenhangen met IPF. Eerdere studies in IPF hebben vaak vertrouwd op conventionele differentiële expressieanalyses of een enkel machine learning-algoritme, wat de robuustheid en generaliseerbaarheid van kandidaatbiomarkers12,13 kan beperken. Om deze beperkingen aan te pakken, gebruikten we een meerstaps computationele workflow die differentiële expressieanalyse combineerde met meerdere machine learning-algoritmen, waaronder LASSO, SVM-RFE en XGBoost, om de betrouwbaarheid van featureselectie te verbeteren. Bovendien werd het diagnostisch model geëvalueerd over meerdere onafhankelijke datasets en werden belangrijke bevindingen verder gevalideerd met klinische steekproeven. Vervolgens werd een diagnostisch model ontwikkeld en gevalideerd, en immuuninfiltratiekenmerken werden geanalyseerd. Daarnaast werden de immuunmicro-omgeving en mogelijke moleculaire interacties die met de geïdentificeerde genen geassocieerd zijn, onderzocht. Hoewel deze studie zich richtte op IPF, kan de hier gebruikte analytische strategie toepasbaar zijn op andere chronische longziekten en transcriptomische datasets, waardoor een reproduceerbaar kader wordt geboden voor belangrijke genidentificatie en validatie. Zie Figuur 1 voor het specifieke proces.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

Deze studie is goedgekeurd door de Institutional Review Board van het Eerste Geaffilieerde Ziekenhuis van de Bengbu Medical University (Goedkeuringsnummer: 2023YJS162). Schriftelijke geïnformeerde toestemming werd van alle deelnemers verkregen voorafgaand aan de monsterafname.

Dataverzameling

De transcriptoomgegevens die in deze studie werden gebruikt, zijn verkregen uit de Gene Expression Omnibus (GEO) database (https://www.ncbi.nlm.nih.gov/; RRID: SCR_005012). De primaire trainingsdataset, GSE150910, werd gegenereerd met het Illumina NovaSeq 6000-platform (GPL24676) en bestond uit 103 IPF- en 103 normale longweefselmonsters. Om de bevindingen te valideren werden onafhankelijke datasets GSE24206, GSE110147, GSE93606 en GSE38958 gebruikt. Gedetailleerde informatie over elke dataset is te vinden in Tabel 1. Daarnaast werden in totaal 636 GRG's geselecteerd uit een eerder gepubliceerde studie14.

Differentiële expressieanalyse en functionele karakterisering van glycosyleringsgerelateerde DEG's

Differentiële expressieanalyse tussen IPF- en normale longweefselmonsters uit de GSE150910-dataset werd uitgevoerd met behulp van het R-pakket DESeq2 (RRID: SCR_015687). Genen met een aangepaste P-waarde (padj) < 0,05 en |log2FoldChange| > 0,5 werden beschouwd als differentieel expressieve genen (DEGs). Glycosyleringsgerelateerde DEG's (GR-DEGs) werden geïdentificeerd door de DEG's te kruisen met een vooraf gedefinieerde set van 636 GRG's. Om de biologische rollen van deze genen verder te onderzoeken, werden Gene Ontology (GO) verrijkingsanalyse en Kyoto Encyclopedia of Genes and Genomes (KEGG) routeanalyse uitgevoerd om hun functionele rollen en padbetrokkenheid te verduidelijken. Een eiwit-eiwitinteractie (PPI) netwerk werd gegenereerd met behulp van de STRING-database (RRID: SCR_005223)15 met een interactiebetrouwbaarheidsscore van > 0,7, om de moleculaire interacties en mogelijke regulerende mechanismen van de GR-DEG's in IPF te verduidelijken.

Screening van sleutelgenen en constructie van een diagnostisch model

Om belangrijke genen voor IPF te screenen van GR-DEG's, maakten we gebruik van meerdere machine learning-algoritmen. Aanvankelijk werd LASSO-regressie (RRID: SCR_003418) voorzien van binaire logistische regressie (familie = "binomiaal") en werd de optimale strafparameter λ geselecteerd via 10-voudige kruisvalidatie (nfold = 10). De uiteindelijke selectieresultaten waren de kenmerken met niet-nul coëfficiënten die overeenkwamen met λ_(min) (0,01700442). Voor SVM-RFE werd de RFE-functie van het R-pakket caret gebruikt. Recursieve feature-eliminatie werd uitgevoerd via 10-voudige kruisvalidatie (methode = "cv", aantal = 10), waarbij features progressief werden gefilterd van 1 tot 126, met nauwkeurigheid om de optimale feature-subset te bepalen. In XGBoost werd de doelfunctie ingesteld op binaire logistische regressie (doelwit = "binair: logistisch"), met de evaluatiemetriek op log loss (eval_metric = "logloss"), het aantal iteraties (nrounds) op 100, en de leersnelheid (eta) op 0,1. De top 20 genen werden geselecteerd op basis van hun feature-belangrijkheidsscores (Gain). Door de resultaten van deze methoden te combineren, werd een verfijnde set sleutelgenen geïdentificeerd. Op basis van deze genset werd een XGBoost-diagnostisch model opgesteld met behulp van de trainingsdataset (GSE150910), en de voorspellende prestaties werden geëvalueerd met behulp van receiver operating characteristic (ROC)-analyse op externe validatiedatasets (GSE110147, GSE24206, GSE93606 en GSE38958). Daarnaast werd een nomogram ontwikkeld om de bijdrage van elk geselecteerd gen aan de ziektekans te visualiseren, en het klinische nut van het model werd verder beoordeeld via kalibratiecurves en beslissingscurveanalyse (DCA).

Verkenning van de biologische routes van belangrijke genen

Het verkennen van de biologische context van de belangrijkste genen die door machine learning zijn geïdentificeerd. Gene Set Enrichment Analysis (GSEA)16 werd uitgevoerd op basis van de genlijsten uit de Molecular Signatures Database (MSigDB) (RRID: SCR_016863)17en de routes werden gescreend op NES > 1. De bovenste verrijkte paden werden weergegeven met behulp van de enrichplot-functie.

Onderzoek naar biologische functies en verschillen in immuunlandschap in IPF-subtypes op basis van belangrijke genscores

Op basis van de expressieprofielen van de geïdentificeerde sleutelgenen werden single-sample Gene Set Enrichment Analysis (ssGSEA) scores berekend en gebruikt om IPF-patiënten te stratificeren in groepen met hoge en lage scores op basis van de mediane score. Differentiële expressieanalyse werd uitgevoerd tussen de twee groepen, gevolgd door GSEA (RRID: SCR_003199)18 om GO Biological Processes (GOBP) en KEGG pathway verrijkingsanalyses uit te voeren op de TEG's.

Analyse van immuuncelinfiltratie en belangrijke verschillen in genexpressie

Na subgroepstratificatie op basis van ssGSEA-scores werden immuuninfiltratieverschillen tussen de hoog- en laagscoregroepen geëvalueerd. Eerst berekenden we de relatieve abundanties van 22 immuunceltypen in de monsters met behulp van het CIBERSORT-algoritme (RRID: SCR_016955)19 in combinatie met de LM22-featurematrix. Specifiek werd de deconv_tme functie in het R-pakket IOBR (parameters: method = "cibersort", arrays = FALSE, perm = 200) gebruikt voor de berekeningen, en werden box plots gegenereerd met het ggpubr-pakket (RRID: SCR_021139) om verschillen in immuuncelinfiltratie tussen de high-score en low-score groepen te beoordelen. Daarnaast werd de GSVA-functie in het R-pakket GSVA (met de ssGSEA-methode) gebruikt om verrijkingsscores te berekenen voor 28 immuunceltypen. Deze scores werden vervolgens genormaliseerd met Min-Max-schaal om ze toe te wijzen op het [0, 1] interval, wat vergelijkingen tussen celtypen vergemakkelijkte. Ten slotte werden Wilcoxon rang-somtesten uitgevoerd om de expressie van sleutelgenen tussen normale monsters en IPF-patiënten in de GSE150910- en GSE110147 datasets te vergelijken, wat een uitgebreide analyse van immuuncelinfiltratie en genexpressieverschillen tussen IPF-subgroepen opleverde.

Validatie van sleutelgenen bij IPF-patiënten met behulp van RT-qPCR-analyse

Om de diagnostische relevantie van de geïdentificeerde genen te valideren, werden zes genen met de hoogste significantiescores uit het XGBoost-algoritme geselecteerd voor expressievalidatie bij IPF-patiënten en gezonde controles met behulp van reverse transcription quantitative PCR (RT-qPCR). In totaal werden 20 bloedmonsters afgenomen, waaronder 9 van IPF-patiënten en 11 van gezonde personen, van het First Affiliated Hospital van de Bengbu Medical University. Totaal RNA werd uit de bloedmonsters geëxtraheerd en de RNA-concentratie werd gemeten met een multifunctionele microplaatlezer. De kwaliteit van RNA werd beoordeeld voorafgaand aan downstream analyses. Genomisch DNA werd verwijderd tijdens reverse transcriptie, en primersequenties gebruikt voor RT-qPCR zijn vermeld in Tabel 2. De specificiteit van de primer werd bevestigd door smeltcurveanalyse. GAPDH werd gebruikt als het interne referentiegen. Relatieve genexpressieniveaus werden berekend met de 2-ΔΔCt-methode . Deze validatiestap biedt voorlopige experimentele ondersteuning voor de differentiële expressie en potentiële diagnostische relevantie van de geïdentificeerde genen in IPF.

Statistische analyse

De gegevens werden in R geanalyseerd en de Wilcoxon-test werd gebruikt om verschillen tussen de twee groepen te detecteren. De verrijkingsanalyse van GSEA, GO en KEGG werd uitgevoerd met behulp van het R-pakket clusterProfiler (RRID: SCR_016884). Een p-waarde < 0,05 werd als significant beschouwd, tenzij anders vermeld.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Functionele analyse en interactienetwerkanalyse van GR-DEG's

Om de betrokkenheid van genen bij IPF te onderzoeken, werd differentiële expressieanalyse van GSE150910 uitgevoerd, waarbij 4.216 DEG's werden geïdentificeerd (Figuur 2A). Door deze DEG's te kruisen met 636 GRG's, werden 126 ziekte-geassocieerde glycosyleringsgenen geïdentificeerd (Figuur 2B). Bovendien hebb...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

IPF is een chronische, progressieve ziekte van onbekende oorzaak die de kwaliteit van leven van patiënten aanzienlijk vermindert en leidt tot een vroegere sterfte4. Ondanks vooruitgang in therapeutische strategieën blijft de mediane overlevingstijd laag na de diagnose, en is de pathogenese van IPF nog niet volledig begrepen22. Daarom is het ophelderen van de moleculaire mechanismen achter IPF zowel urgent als cruciaal. Eerdere studies hebbe...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs hoeven geen belangenconflicten aan te geven.

Dankbetuigingen

Wij spreken onze dank uit aan alle collega's die gedurende het hele onderzoeksproces hulp en ondersteuning hebben geboden. Hun samenwerking en aanmoediging zijn van onschatbare waarde geweest voor ons werk. Dit onderzoek kreeg geen externe financiering.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
CaretR Foundation for Statistical ComputingVersie 6.0.94SVM-RFE
ClusterProfilerR Foundation for Statistical ComputingVersie 4.12.6GSEA, GO en KEGG verrijkingsanalyse
DESeq2R Foundation for Statistical ComputingVersie 1.44.0Differentiële expressieanalyse
Fast First-Strand cDNA Synthesis MixGoonie Biotech Co., Ltd.500-101cDNA synthese voor RT-qPCR
FastTaq qPCR SYBR Green Master MixGooniebio500-102Kwantitatieve PCR-amplificatie
Fluorescent Quantitative PCR SystemBio-Rad Laboratories, Inc.CFX96Kwantitatieve PCR-amplificatie
GEO DatabaseNCBIhttps://www.ncbi.nlm.nih.gov/geo/Transcriptoomgegevensbron
ggpubr R Foundation for Statistical ComputingVersie 0.6.0Generatie van boxplots
GSVAR Foundation for Statistical ComputingVersie 1.52.3ssGSEA
MSigDBBroad Institutehttps://www.gsea-msigdb.org/GSEA-analyse
PCR SystemBio-Rad Laboratories, Inc.PTC TempocDNA-synthese voor RT-qPCR
PrimersTsingke Biotechnology Co., Ltd.N/AAangepaste synthese van qPCR-primers
R-softwareR Foundation for Statistical ComputingVersie 4.4.1Statistische analyse en visualisatie
RNA Isolater Total RNA Extraction ReagentVazyme Biotech Co., Ltd.R401-01Totale RNA-extractie uit vol bloed
STRING DatabaseSTRING Consortiumhttps://string-db.org/PPI-netwerkconstructie
Synergy HTX Multi-Mode ReaderBioTek Instruments, Inc.Synergy HTXRNA-concentratiemeting

Referenties

  1. Koudstaal T, Wijsenbeek MS. Idiopathic pulmonary fibrosis. Presse Med. 2023;52(3):104166.
  2. Moss BJ, Ryter SW, Rosas IO. Pathogenic Mechanisms Underlying Idiopathic Pulmonary Fibrosis. Annu Rev Pathol. 2022;17:515-46.
  3. Bonella F, Spagnolo P, Ryerson C. Current and Future Treatment Landscape for Idiopathic Pulmonary Fibrosis. Drugs. 2023;83(17):1581-93.
  4. Spagnolo P, et al. Idiopathic pulmonary fibrosis: Disease mechanisms and drug development. Pharmacol Ther. 2021;222:107798.
  5. Schjoldager KT, Narimatsu Y, Joshi HJ, Clausen H. Global view of human protein glycosylation pathways and functions. Nat Rev Mol Cell Biol. 2020;21(12):729-49.
  6. He M, Zhou X, Wang X. Glycosylation: mechanisms, biological functions and clinical implications. Signal Transduct Target Ther. 2024;9(1):194.
  7. Xie X, Kong S, Cao W. Targeting protein glycosylation to regulate inflammation in the respiratory tract: novel diagnostic and therapeutic candidates for chronic respiratory diseases. Front Immunol. 2023;14:1168023.
  8. Shi X, et al. Secreted RCN3 acts as an early epithelial-fibroblast mediator via TGFβR1-Smad signaling in post-ALI pulmonary fibrosis. Cell Commun Signal. 2026;24(1).
  9. Kissel T, Toes REM, Huizinga TWJ, Wuhrer M. Glycobiology of rheumatic diseases. Nat Rev Rheumatol. 2023;19(1):28-43.
  10. Lyu Y, et al. Identification of proteins and N-glycosylation sites of knee cartilage in Kashin-Beck disease compared with osteoarthritis. Int J Biol Macromol. 2022;210:128-38.
  11. Komaromy A, Reider B, Jarvas G, Guttman A. Glycoprotein biomarkers and analysis in chronic obstructive pulmonary disease and lung cancer with special focus on serum immunoglobulin G. Clin Chim Acta. 2020;506:204-13.
  12. Ruan H, Ren C. Integrating machine learning with bioinformatics for predicting idiopathic pulmonary fibrosis prognosis: developing an individualized clinical prediction tool. Exp Biol Med (Maywood). 2024;249:10215.
  13. Wang L, et al. Serum Proteomics Identifies Biomarkers Associated With the Pathogenesis of Idiopathic Pulmonary Fibrosis. Mol Cell Proteomics. 2023;22(4):100524.
  14. Shi Y, et al. Glycosylation-related molecular subtypes and risk score of hepatocellular carcinoma: Novel insights to clinical decision-making. Front Endocrinol (Lausanne). 2022;13:1090324.
  15. Szklarczyk D, et al. The STRING database in 2023: protein-protein association networks and functional enrichment analyses for any sequenced genome of interest. Nucleic Acids Res. 2023;51(D1):D638-d46.
  16. Yan S, et al. Identification of ITGAX and CCR1 as potential biomarkers of atherosclerosis via Gene Set Enrichment Analysis. J Int Med Res. 2022;50(3):3000605211039480.
  17. Wang T, He Q, Chan KHK. A Multi-omics approach to identify and validate shared genetic architecture in rheumatoid arthritis, multiple sclerosis, and type 1 diabetes: integrating GWAS, GEO, MSigDB, and scRNA-seq data. Funct Integr Genomics. 2025;25(1):91.
  18. Lu Y, Lu D, Li C, Chen L. Exploring Immune Cell Infiltration and Small Molecule Compounds for Ulcerative Colitis Treatment. Genes (Basel). 2024;15(12).
  19. Guan M, Jiao Y, Zhou L. Immune Infiltration Analysis with the CIBERSORT Method in Lung Cancer. Dis Markers. 2022;2022:3186427.
  20. Roy D, Ramasamy R, Schmidt AM. Journey to a Receptor for Advanced Glycation End Products Connection in Severe Acute Respiratory Syndrome Coronavirus 2 Infection: With Stops Along the Way in the Lung, Heart, Blood Vessels, and Adipose Tissue. Arterioscler Thromb Vasc Biol. 2021;41(2):614-27.
  21. Li Z, Yang P, Feng B. Effect of atorvastatin on AGEs-induced injury of cerebral cortex via inhibiting NADPH oxidase -NF-κB pathway in ApoE(-/-) mice. Mol Biol Rep. 2020;47(12):9479-88.
  22. Liu GY, Budinger GRS, Dematte JE. Advances in the management of idiopathic pulmonary fibrosis and progressive pulmonary fibrosis. Bmj. 2022;377:e066354.
  23. Liao Y, et al. Integrating cellular experiments, single-cell sequencing, and machine learning to identify endoplasmic reticulum stress biomarkers in idiopathic pulmonary fibrosis. Ann Med. 2024;56(1):2409352.
  24. Liu B, et al. A novel model for predicting prognosis in patients with idiopathic pulmonary fibrosis based on endoplasmic reticulum stress-related genes. Cell Biol Int. 2024;48(4):483-95.
  25. Zhu H, et al. Comprehensive analysis of an endoplasmic reticulum stress-related gene prediction model and immune infiltration in idiopathic pulmonary fibrosis. Front Immunol. 2023;14:1305025.
  26. Yeo HJ, et al. Development of a Novel Biomarker for the Progression of Idiopathic Pulmonary Fibrosis. Int J Mol Sci. 2024;25(1).
  27. Perkins TN, Oury TD. The perplexing role of RAGE in pulmonary fibrosis: causality or casualty? Ther Adv Respir Dis. 2021;15:17534666211016071.
  28. Dai J, et al. Construction of a lipid metabolism-related and immune-associated prognostic score for gastric cancer. BMC Medical Genomics. 2023;16(1):93.
  29. Li W, et al. An 11-gene glycosyltransferases-related model for the prognosis of patients with bladder urothelial carcinoma: development and validation based on TCGA and GEO datasets. Translational Andrology and Urology. 2024;13(12).
  30. Li SJ, et al. Identifying causal genes for migraine by integrating the proteome and transcriptome. J Headache Pain. 2023;24(1):111.
  31. Zhang W, et al. ANK2 as a novel predictive biomarker for immune checkpoint inhibitors and its correlation with antitumor immunity in lung adenocarcinoma. BMC Pulm Med. 2022;22(1):483.
  32. Burkhard T, et al. BS10 Characterising the degradome of the metalloprotease ADAMTS8: implications for pulmonary arterial hypertension. BMJ Publishing Group Ltd and British Cardiovascular Society; 2025.
  33. Lee HC, et al. The Therapeutic Potential of ADAMTS8 in Lung Adenocarcinoma without Targetable Therapy. J Pers Med. 2022;12(6).
  34. Bera T, Ghosh M, Ghosh SK. Elucidating the mycochemistry and anticancer efficacy of F5 fraction of ethanolic extract of Daldinia eschscholtzii. Scientific Reports. 2025;15(1):34953.
  35. Li F, et al. Construction and validation of a prognostic model for lung adenocarcinoma based on endoplasmic reticulum stress-related genes. Sci Rep. 2022;12(1):19857.
  36. Lin L, et al. Integrated profiling of endoplasmic reticulum stress-related DERL3 in the prognostic and immune features of lung adenocarcinoma. Front Immunol. 2022;13:906420.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Tags

BiochemieEditie 233Editie 233Lege waardeEditieImmuuninfiltratie
Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.