Методическая статья

Мультиомический процесс пан-раковой биоинформатики для оценки PTDSS1 и PTDSS2 как прогностических и иммунных биомаркеров

DOI:

10.3791/71827

⸱

5 июня 2026 г.

 ,  ,  , 
1Institute of Translational Medicine Zhuhai People's Hospital Affiliated with Jinan University, 2Department of Food Science and Engineering, Institute of Food Safety and Nutrition, Jinan University, 3The Affiliated Guangdong Second Provincial General Hospital of Jinan University, 4State Key Laboratory of Bioactive Molecules and Druggability Assessment, The Biomedical Translational Research Institute, Health Science Center (School of Medicine), Jinan University

В этой статье

Краткое содержание

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

В этом исследовании был проведен комплексный биоинформатический анализ с использованием нескольких публичных баз данных для оценки паттернов экспрессии генов, клинических корреляций, прогноза выживаемости, показателей ствола опухоли и иммунно-связанных характеристик PTDSS1 и PTDSS2 у различных видов рака. Результаты свидетельствуют о том, что эти гены могут служить потенциальными биомаркерами для диагностики, прогноза и иммунотерапии рака.

Аннотация

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ферменты синтеза фосфатидилсерина PTDSS1 и PTDSS2 играют важную роль в клеточных процессах, включая состав мембран и передачу сигналов. Аномальные проявления этих ферментов связаны с инфильтрацией макрофагов, ассоциируемыми с опухоли, и плохими результатами выживаемости при раке молочной железы. Однако их комплексная роль в различных типах рака остаётся неясной. В этом исследовании мы провели панраковый анализ для оценки диагностической, прогностической, иммунной инфильтрации и иммунотерапевтической значимости PTDSS1 и PTDSS2. Для анализа паттернов экспрессии генов, клинических корреляций, результатов выживаемости, показателей ствола опухоли и иммунных характеристик у различных видов рака использовались несколько публичных баз данных. Результаты показали, что PTDSS1 и PTDSS2 широко экспрессируются в человеческих тканях и значительно повышены в большинстве опухолевых тканей по сравнению с нормальными. Высокая экспрессия PTDSS1 или PTDSS2 была связана с более низкой общей выживаемостью (ОС) при нескольких типах рака и имела значимую корреляцию с показателями клинической стадии и ствола опухоли. Кроме того, функциональные анализы показали, что эти гены могут способствовать опухологенезу, регуляции иммунитета и химиорезистентности. В целом, результаты подчеркивают прогностическую значимость PTDSS1 и PTDSS2 при множественных видах рака и предполагают, что они могут служить потенциальными биомаркерами для диагностики и прогноза рака, а также перспективными мишенями для иммунотерапии.

Введение

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Хотя за последние несколько столетий в онкологии были достигнуты значительные успехи, рак остаётся одной из основных причин смерти и заболеваемости во всеммире 1,2. Современное клиническое ведение всё чаще опирается на мультимодальные стратегии лечения, сочетая разные терапевтические подходы для максимизации эффективности при одновременном повышении выживаемости пациентов и общегоблагополучия 2. В этом контексте иммунотерапия рака быстро превратилась в центральный столп современной онкологии. Его преимущества — включая селективность целей, устойчивый терапевтический эффект, применимость к нескольким типам опухолей, способность снижать устойчивость и совместимость с другими методами лечения — вызвали широкий интерес. Тем не менее, клиническое применение по-прежнему ограничено несколькими факторами, включая переменную реакцию пациентов, иммуннотоксичность, приобретённую устойчивость, высокую экономическую нагрузку и ограничения в мониторинге лечения. Эти вызовы подчёркивают необходимость постоянного совершенствования и инноваций в этой области. В то же время метаболическое перепрограммирование стало отличительной чертой рака, при этом липидный метаболизм привлекает всё больше внимания. Изменения в получении, синтезе и использовании липидов обеспечивают важную поддержку росту и выживаемости опухолевых клеток, а также могут сыграть роль в развитии терапевтическойустойчивости 3,4. Перепрограммированное поглощение и использование липидов способствуют пролиферации раковых клеток и могут способствовать развитию терапевтическойустойчивости 5. Кроме того, биомаркеры, связанные с липидами, были связаны с прогнозом пациентов и ответом налечение 6,7. Несмотря на растущее внимание, механизмы липидного метаболизма при раке и разработка эффективных липидно-таргетированных терапий остаются недостаточно изученными, что требует дальнейших исследований.

Фосфатидилсеринсинтазы, PTDSS1 и PTDSS2, являются ключевыми ферментами, ответственными за биосинтез фосфатидилсерина (PS)8,9,10, одного из основных анионных фосфолипидов в клеточныхмембранах 11, необходимого для поддержания структуры и функциимембраны 8,12,13. Эти ферменты имеют умеренное сходство последовательностей (~32%)13 и обладают несколькими трансмембранными областями, преимущественно локализованными на эндоплазматическом сетке и мембранах, связанных смитохондриями 14,15,16. PS генерируется в результате реакции серинного обмена с существующими фосфолипидами 8,9, при этом PTDSS1 преимущественно использует фосфатидилхолин17,18, а PTDSS2 — фосфатидилетаноламин19,20. PTDSS1 широко экспрессируется втканях 21, тогда как PTDSS2 демонстрирует более ограниченное распределение, с более высоким уровнем в нейронах мозга мышей и клетках Сертоли19. Функционально PTDSS2 необходим для нормального развития яичек, так как около 10% самцов мышей с нокаутом проявляют бесплодие и уменьшение размера яичек — фенотип, который не встречается у мышей с дефицитом PTDSS119. Хотя удаление одного гена ни другого фермента не снижает жизнеспособность, одновременная потеря приводит к эмбриональнойлетальности 19,22, что подчёркивает важность биосинтеза PS для выживания клеток. Недавние данные свидетельствуют о нарушении регуляции PTDSS1 и PTDSS2 при опухолях с изменённой инфильтрацией макрофагов, ассоциированных с опухоли, и более низкой выживаемостью у пациенток с ракоммолочной железы 23. В совокупности эти результаты свидетельствуют о том, что PTDSS1 и PTDSS2 критически важны для гомеостаза мембран, и их аномальная экспрессия может способствовать прогрессированию заболевания, особенно при раке.

В данном исследовании систематически сравниваются панраковые эффекты PTDSS1 и PTDSS2 на экспрессию опухолей, прогноз, ствол, иммунную регуляцию, геномные изменения и ответ на лечение. В отличие от предыдущих исследований, сосредоточенных на отдельных типах рака или изолированных событиях липидного метаболизма, настоящее исследование интегрирует мультиомические данные для изучения возможных связей между биосинтезом фосфатидилсерина, иммунитетом к опухолям и прогрессированием рака. Анализ включает паттерны экспрессии, корреляции с характеристиками опухоли и иммунно-связанными факторами, геномные особенности и прогнозирование чувствительности к лекарствам. Данное исследование направлено на углубление понимания функциональных ролей PTDSS1 и PTDSS2 при различных злокачественных заболеваниях, а также на предоставление теоретической основы и практических рекомендаций для разработки персонализированных стратегий лечения.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Это исследование основывалось исключительно на общедоступных наборах данных и не включало прямого участия человека или животных; поэтому институциональное этическое одобрение и информированное согласие не требовались

1. Анализ экспрессии PTDSS1 или PTDSS2

  1. Оценить экспрессию мРНК PTDSS1 и PTDSS2 в нормальных человеческих тканях с помощью базы данных Human Protein Atlas (HPA) (https://www.proteinatlas.org).
  2. Получите профили экспрессии генов PTDSS1 и PTDSS2 по нескольким типам рака из модуля «Gene DE» платформы TIMER2 (http://timer.cistrome.org/).
  3. Скачайте данные экспрессии РНК-секвенции для нормальных и опухолевых тканей из баз данных TCGA (http://cancergenome.nih.gov) и GTEx (http://commonfund.nih.gov/GTEx/).

2. Анализ патологической стадии, выживаемости и ствола опухоли

  1. Скачайте набор данных TCGA Pan-Cancer (PANCAN, N = 10 535, G = 60 499) с платформы UCSC Xena (https://xenabrowser.net/).
  2. Извлечь данные выражений PTDSS1 и PTDSS2 из всех выборок и исключить записи с нулевым значением выражения. Нормализуйте оставшиеся данные выражения с помощью преобразования log2(x + 0.001).
  3. Удалять типы рака с менее чем тремя образцами, в результате чего получается окончательный набор данных, включающий 37 типов опухолей. Проводите дифференциальный анализ экспрессии на клинических стадиях с помощью программного обеспечения R.
  4. Оценить статистическую значимость между двумя группами с помощью непарного t-теста Стьюдента и между несколькими группами с помощью анализа дисперсии (ANOVA)24.
  5. Получите набор данных TCGA Pan-Cancer с платформы UCSC Xena (https://xenabrowser.net/). Извлекать профили экспрессии PTDSS1 и PTDSS2 и исключать образцы с нулём значений экспрессии.
  6. Удалять случаи с длительностью наблюдения менее 30 дней. Нормализуйте оставшиеся данные выражения с помощью преобразования log2 с псевдо-количеством 0,001.
  7. Исключить типы рака с менее чем 10 образцами, в результате чего получится окончательный набор данных, включающий 39 типов рака с соответствующей информацией о операционной системе. Проведите анализ выживаемости с использованием пакета R.
  8. Постройте модели пропорциональных рисков Кокса с использованием функции коксфа для оценки связи между экспрессией PTDSS1/PTDSS2 и прогнозом пациентов при различных видах рака. Оцените различия в выживаемости с помощью логарифмическоготеста 24.
    ПРИМЕЧАНИЕ: Из-за гетерогенности и неполной доступности клинических аннотационных данных для различных типов опухолей в TCGA дополнительные клинические ковариаты (такие как возраст, пол и стадия опухоли) не были единородно включены в регрессионный анализ Кокса.
  9. Получите набор данных TCGA Pan-Cancer с платформы UCSC Xena (https://xenabrowser.net/). Извлекать профили экспрессии PTDSS1 и PTDSS2 и рассчитывать индексы ствола опухоли на основе особенностей метилирования ДНК.
  10. Интегрировать показатели ствола с данными экспрессии генов для последующих анализов. Исключить образцы с нулём значений выражения и нормализовать оставшиеся данные выражений с помощью преобразования log2.
  11. Удалять типы рака, представленные менее чем тремя образцами, чтобы повысить аналитическую надёжность. Проведите корреляционный анализ Пирсона для оценки связи между экспрессией PTDSS1/PTDSS2 и стволом опухоли при различных типах рака 24.
    ПРИМЕЧАНИЕ: Выборки с нулевыми значениями выражения были исключены для снижения потенциального влияния технического шума и неопределённых значений при нормализации на основе логарифмических преобразований. Тот же принцип применим и к последующим шагам.

3. Анализ прогноза выживаемости

  1. Анализируйте связи между экспрессией PTDSS1/PTDSS2 и стадием опухоли с помощью модуля «График стадии» в платформе интерактивного анализа экспрессии генов (GEPIA) (http://gepia.cancer-pku.cn/).
  2. Оцените прогностическую значимость PTDSS1 и PTDSS2 для различных типов рака с помощью базы данных KM Plotter (https://kmplot.com/analysis/).
  3. Стратифицировать пациентов на группы с высоким и низким уровнем экспрессии согласно медианным значениям экспрессии (порог-высокая = 50%, порог-низкая = 50%).
  4. Генерируйте карты значимости OS и кривые выживаемости Каплана–Мейера для PTDSS1 и PTDSS2 у опухолей TCGA с помощью GEPIA2. Статистическая значимость оценивается с помощью логарифмического теста.

4. Анализ генов, связанных с PTDSS1 или PTDSS2

  1. Получить сети взаимодействия белок-белок PTDSS1 и PTDSS2 из базы данных STRING (https://cn.string-db.org/), выбрав экспериментально проверенные взаимодействия у Homo sapiens со следующими параметрами: минимальная оценка взаимодействия = 0,150 (низкая уверенность), полный тип сети, основанные на доказательствах края и максимальное количество интеракторов = 50.
  2. Определить потенциальные коэкспрессированные гены с помощью модуля «Обнаружение подобных генов» в GEPIA2 (http://gepia2.cancer-pku.cn/#index) и выбрать 100 лучших родственных генов для дальнейшего анализа.
  3. Оценить корреляции экспрессии между PTDSS1/PTDSS2 и топ-10 взаимодействующими белками между типами опухолей с помощью модуля «Gene_Corr» в TIMER2.0 (http://timer.cistrome.org/) и визуализировать результаты в виде тепловых карт.
  4. Получите аннотации путей Kyoto Encyclopedia of Genes and Genomes (KEGG) через KEGG REST API (https://www.kegg.jp/kegg/rest/keggapi.html) и используйте их в качестве эталонной базы для анализа функционального обогащения.
  5. Проведите анализ обогащения множеств генов с помощью пакета R clusterProfiler с размерами наборов генов от 5 до 5000.
    ПРИМЕЧАНИЕ: Статистическая значимость определяется как P < 0,05, а коэффициент ложного обнаружения (FDR) < 0,25.
  6. Проведите анализ обогащения генной онтологии (GO), включая биологические процессы (BP), клеточный компонент (CC) и молекулярную функцию (MF), используя базу данных DAVID. Визуализируйте обогащённые пути с помощью платформы микробиома.

5. Анализ генетических изменений

  1. Исследуйте мутационные профили PTDSS1 и PTDSS2 по различным типам рака с помощью платформы cBioPortal (http://www.cbioportal.org/) на основе когорты TCGA Pan-Cancer Atlas Studies.
  2. Изучите частоту и типы изменений PTDSS1 и PTDSS2 с помощью модулей «OncoPrint» и «Summary Types Cancer». Используйте модуль «OncoPrint» для визуализации мутаций, изменений числа копий и изменений экспрессии генов на разных образцах.
  3. Запросите PTDSS1 или PTDSS2 в разделах «Краткое описание типов рака» и «Мутации», чтобы получить подробную информацию о местах изменения изменений, типах мутаций и их распределении между различными типами рака.
  4. Скачайте набор данных TCGA Pan-Cancer (PANCAN, N = 10 535, G = 60 499) из базы данных UCSC Xena (https://xenabrowser.net/). Извлекать данные экспрессии PTDSS1 и PTDSS2 для каждого образца и получать соответствующие оценки микросателлитной нестабильности (MSI). Интегрировать экспрессию генов и данные MSI для дальнейших анализов.
  5. Исключить выборки с нулевой экспрессией и преобразить оставшиеся данные с помощью шкалы log2(x + 0.001). Удалить типы рака, представленные менее чем тремя образцами, в результате чего получится окончательный набор данных, включающий данные экспрессии и MSI по 37 типам рака24.
  6. Получите набор данных TCGA Pan-Cancer из базы данных UCSC Xena и извлеките данные экспрессии PTDSS1 и PTDSS2 для каждого образца. Скачайте данные о простой вариации нуклеотидов уровня 4, обработанные с помощью MuTect2, с портала GDC (https://portal.gdc.cancer.gov/).
  7. Рассчитайте нагрузку на мутацию опухолей (TMB) для каждого образца с помощью функции TMB в пакете Maftools R и интегрируйте значения TMB с соответствующими данными экспрессии генов.
  8. Исключить выборки с нулевой экспрессией и преобразить оставшиеся данные с помощью шкалы log2(x + 0.001). Удалить типы рака, представленные менее чем тремя образцами, в результате чего получится окончательный набор данных, включающий 37 типов рака.

6. Анализ иммунорегуляторных генов, иммунных контрольных точок и генов, модифицированных РНК

  1. Получить набор данных TCGA Pan-Cancer из базы данных UCSC и извлечь данные экспрессии PTDSS1 или PTDSS2 вместе с 150 маркерными генами, представляющими пять иммунно-связанных путей (хемокин: 41 ген; рецептор: 18 генов; MHC: 21 ген; иммуноингибитор: 24 гена; иммуностимулятор: 46 генов) для каждого образца.
  2. Исключить нормальные образцы тканей и образцы с нулевыми значениями экспрессии и применить преобразование log2(x + 0.001) ко всем данным экспрессии. Проведите корреляционный анализ Пирсона для оценки ассоциаций между PTDSS1 или PTDSS2 и генами маркеров иммунного пути.
  3. Извлечь налет данных TCGA Pan-Cancer из базы данных UCSC и извлечь данные экспрессии PTDSS1 или PTDSS2 вместе с 60 генами, участвующими в путях иммунных контрольных точек (ингибиторные: 24 гена; стимулирующие — 36 генов).
  4. Удалить нормальные образцы и выборки с нулевыми значениями выражения и преобразить все данные выражений с помощью log2(x + 0.001). Проведите корреляционный анализ Пирсона для оценки ассоциаций между PTDSS1 или PTDSS2 и генами, связанными с иммунными контрольными точками.
  5. Скачайте налет данных TCGA Pan-Cancer из базы данных UCSC и извлеките данные экспрессии PTDSS1 или PTDSS2 вместе с 44 генами, ассоциированными с тремя типами модификаций РНК (m1A: 10 генов; m5C: 13 генов; m6A: 21 ген) для каждого образца.
  6. Исключить нормальные образцы тканей и образцы с нулевыми значениями экспрессии и применить преобразование log2(x + 0.001) ко всем данным экспрессии. Проведите анализ корреляции Пирсона для оценки взаимосвязи между PTDSS1 или PTDSS2 и генами, связанными с модификацией РНК.

7. Анализ иммунной инфильтрации

  1. Скачайте набор данных TCGA Pan-Cancer из базы данных UCSC Xena и извлеките данные экспрессии PTDSS1 и PTDSS2 для каждого образца.
  2. Исключить нормальные выборки и образцы с нулевыми значениями выражения. Нормализуйте данные экспрессии с помощью трансформации log2(x + 0.001) и сопоставьте идентификаторы генов в формат GeneSymbol.
  3. Рассчитайте StromalScore, ImmuneScore и ESTIMATE Score для каждого пациента с помощью пакета ESTIMATE R, что даёт иммунную инфильтрацию для 9 554 образцов опухолей по 39 типам рака.
  4. Проведите корреляционный анализ Пирсона с использованием функции "corr.test" в пакете psych R для оценки связи между экспрессией генов и баллами иммунной инфильтрации.
  5. Оценить инфильтрацию иммунных клеток для B-клеток, CD4+ T-клеток, CD8+ T-клеток, нейтрофилов, макрофагов и дендритных клеток с использованием алгоритма TIMER, реализованного в пакете IOBR R для 9 405 образцов в 36 типах опухолей.
  6. Провести анализ корреляции Пирсона для оценки взаимосвязи между экспрессией PTDSS1/PTDSS2 и уровнем инфильтрации иммунных клеток.

8. Лекарственная чувствительность к PTDSS1 и PTDSS2 при панраковых препаратах

  1. Скачайте данные о активности соединений NCI-60 и профили экспрессии RNA-seq с CellMiner.
  2. Выберите одобренные FDA или клинические испытания соединения для последующего анализа.
  3. Проведите анализ чувствительности к лекарствам PTDSS1 и PTDSS2 при панраковой терапии с помощью программного обеспечения R.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Экспрессия мРНК PTDSS1 или PTDSS2 в различных нормальных тканях человека

Используя данные из базы данных HPA, были изучены профили экспрессии мРНК PTDSS1 и PTDSS2 в различных человеческих тканях. Анализ выявил заметные тканевые специфические экспрессионные паттерны. PTDSS1 был высоко выражен в паращитовидной железе, сердечной мышце, лимфатических узлах, миндалинах и костном мозге (рисунок 1A), тогда как PTDSS2 пок...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Рак — это системное заболевание, характеризующееся дисрегуляцией нескольких систем и обычно проходящее три стадии: элиминация, равновесие и побег25. На стадии элиминации иммунная система эффективно уничтожает новообразованные раковые клетки; на стадии равновесия раковые клетки и иммунные клетки находятся в относительном балансе, предотвращая расширение опухоли или метастазы; В конечном итоге, на стадии побега раковые клетки избегают иммунного надзора, быстро размн...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

У авторов нет конфликта интересов, которые можно было бы заявлять.

Благодарности

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Авторы не получили финансовой поддержки для исследований, авторства и публикации этой статьи.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Платформа cBioPortalcBioPortalhttp://www.cbioportal.org/Платформа для визуализации и анализа многомерных данных геномики рака
Портал GDCГеномные данные Commons (GDC)https://portal.gdc.cancer.gov/Портал для скачивания наборов данных TCGA по геному и мутации
Платформа GEPIAGEPIAhttp://gepia.cancer-pku.cn/Веб-сервер для профилирования экспрессии генов и анализа выживаемости на основе наборов данных TCGA и GTEx
GEPIA2GEPIA2http://gepia2.cancer-pku.cn/#indexОбновлённый веб-сервер для корреляции экспрессии генов и интерактивного анализа
Базы данных GTExПроект по экспрессии тканей генотипа (GTEx)http://commonfund.nih.gov/GTEx/База данных, содержащая профили экспрессии генов из нормальных человеческих тканей
База данных Атласа белков человека (HPA)Атлас белков человекаhttps://www.proteinatlas.orgБаза данных для анализа профилей экспрессии белков и РНК в нормальных тканях и раках
KEGG REST APIКиотская энциклопедия генов и геномов (KEGG)https://www.kegg.jp/kegg/rest/keggapi.htmlПрикладной программный интерфейс для получения аннотаций путей KEGG
Инструмент плоттера KMKMplothttps://kmplot.com/analysis/Онлайн-инструмент для оценки прогностической значимости генов при множественных видах рака
Пакет maftools RBioconductor package maftoolsВерсия 2.8.05Пакет R, используемый для мутационного бремени опухолей и анализа мутаций
Psych R пакетПсихиатрия с пакетом CRAN RВерсия 2.1.6R-пакет, используемый для корреляционного и психологического статистического анализа
Пакет RR Foundation для статистических вычисленийВерсия 4.1.3Программное обеспечение статистических вычислений, используемое для анализа чувствительности к лекарствам
R package clusterProfilerBioconductor package clusterProfilerверсия 3.14.3Пакет R, используемый для анализов KEGG и функционального обогащения
Выживание пакета RВыживание пакета CRAN RВерсия 3.2-7R-пакет, используемый для регрессии Cox и Kaplan– Анализ выживаемости Мейера
Программное обеспечение RR Foundation для статистических вычисленийверсия 3.6.4Программное обеспечение для статистических вычислений, используемое для биоинформатики и анализа выживаемости
База данных STRINGСТРУНАhttps://cn.string-db.org/База данных для protein– Анализ сетей взаимодействия белков
Базы данных TCGAАтлас генома рака (TCGA)http://cancergenome.nih.govКрупномасштабная база данных по геномике рака, содержащая геномные, транскриптомные и клинические данные о раке
TIMER2.0TIMER2.0http://timer.cistrome.org/Платформа для оценки инфильтрации иммунных клеток и анализа корреляции при опухолях
Платформа Tumor Immune Estimation Resource 2.0 (TIMER2)TIMER2.0http://timer.cistrome.org/Веб-платформа для систематического анализа иммунной инфильтрации различных типов рака
Платформа UCSC XenaUCSC Xenahttps://xenabrowser.net/Платформа для визуализации и анализа TCGA и других публичных мультиомических наборов данных

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

PTDSS1PTDSS2

Похожие статьи