肺癌相关论文文献

肺癌相关论文文献

肿瘤学论文参考文献 　　考文献是论著文章的一个重要组成部分。它在一定程度上增加论文内容的可信程度，并具有重要的学术价值和使用价值。著录格式：序号。作者名。文题。刊名。年，卷：起止页码。
　　按照国标准规定，作者不超过3位时，全部著录；超过3位时，只著录前3位，后面加“等”，或相应的'外文。
　　举例：
　　1 蒋代凤，陆应麟，邱宗荫，等。肺巨细胞癌高低转移株转移能力差异相关分子的研究。中华肿瘤杂志，2003，25：531-534.
　　2 Obonai T， Mizuguchi M， Takashima S， et al. Developmental and aging changes of Bak expression in the human brain. Brain Res，1998，783：167-170.
　　引用书籍的格式：序号 作者。书名。卷（册）次。出版者，年份。起止页。或：作者。文题。见（英文用In）：主编者。书名。卷（册）次。版次。出版地：出版者，年份。起页-止页。
　　举例：
　　1 黄国俊，黄孝迈，黄偶鳞，等。 肺癌的治疗（外科治疗）。见：徐昌文，吴善方，孙燕主编。肺癌。第2版。上海：上海科学出版社，1993.146-159.
　　2 颜子颖，王海林译。精编分子生物学实验指南。第1版，北京：科学出版社，1998.333-373.
　　著录参考文献时应注意：只著录最必要的最新的文献；只著录作者亲自阅读过的和在文中直接引用的文献；只著录公开发表的文献，“内部资料”和“待发表”文章应避免引用，因为这些文献或者可能缺乏科学性，或者难于查找。
　　参考文献应按在文内先后出现的顺序用阿拉伯数字加方括号标出，文后参考文献的序号应与文中角码相一致。 ;

肺癌研究进展 | Cell及其子刊上那些关于肺癌的多组学研究

肺 癌 是 全 球 发 病 率 和 致 死 率 最 高 的 恶 性 肿 瘤 ，据2018年全球肿瘤统计分析报告显示，全球肺癌的男女发病率分别为：年龄标化率（ASR）1.5/10万和14.6/10万；死亡率为ASR 27.1/10万和11.2/10万。

关于肺癌的多组学研究为科研人员和临床医生寻求更精确的诊断和治疗策略提供参考。7月9日出版的《 Cell 》连发三篇关于肺腺癌的蛋白组学+基因组的综合研究成果，之前 Cell 子刊《 Cell Metabolism 》也发表过关于小细胞肺癌的转录组+代谢组综合研究成果，这些多组学研究具有极为重要的临床指导意义。

研究人员利用蛋白质组学、磷酸蛋白质组学和基因组学数据对103例肺腺癌（LUAD）及其配对的非癌性邻近组织（NATs）进行了综合组学分析：

揭示了癌症相关的特征，例如肿瘤相关的蛋白质变体，独特的蛋白质组学特征以及早期患者或具有EGFR和TP53突变的患者的临床结局； 

基于蛋白质组的LUAD分层显示出与不同的临床和分子特征相关的三种亚型（S-I，S-II和S-III）； 

发现了潜在的药物靶标，并验证了HSP 90b的血浆蛋白水平是独立队列中LUAD的潜在预后生物标志。

原始蛋白质组学数据已上传至iProx，项目编号：IPX0001804000.

原始转录组数据已存入GEO，数据编号：GSE140343.

由于原始基因组数据的公开共享受到中国人遗条例限制，外显子组测序的详细结果见表S2。

研究人员对110个LUAD和101个NATs进行了全面的组学表征，包括基因组学，表观基因组学，深度蛋白质组学，磷酸蛋白质组学和乙酰蛋白质组学。

揭示了包括拷贝数、体细胞突变等基因层面改变的下游生物学功能；

通过磷酸化蛋白质组学方式鉴定出ALK-fusion作为诊断标记物和靶点的潜力；

鉴定得到了多个候选药物靶点：PTPN11(EGFR)、SOS1(KRAS)，中性粒细胞脱颗粒(STK11)；

LUAD肿瘤标记物蛋白磷酸化和乙酰化修饰也可能参与其中。

原始蛋白质组学数据可通过CPTAC数据门户网站获得：

? 

基因组和转录组数据文件可在GDC获取：

? ?study_id=phs001287.v5.p4.

研究人员在中国台湾收集了103名未经治疗的LUAD患者肿瘤组织和NATs，并进行了全外显子测序、RNA测序、蛋白质组学和磷酸化蛋白质组学检测。

首次展现了东亚人群中非吸烟LUAD患者的蛋白质基因组学景观，鉴定出23145个非同义体细胞单核苷酸变异（SNVs）。在转录组水平上，共量化了30155个RNA。在蛋白组水平上，超过10000个独特的蛋白质和20000个磷酸酶被量化；

突变特征分析揭示了年龄和性别相关的突变机制，高APOBEC突变特征存在于74%的年轻女性（≤60岁）和所有无EGFR突变的女性中，而男性患者中没有观察到类似的趋势；

通过蛋白质组特征对LUAD早期阶段进行临床分类；

找到了一个有潜力作为非小细胞肺癌早期检测和治疗的生物标志物MMP11。

蛋白质组学和磷蛋白组学分析的原始数据文件和处理后的数据已上传至NCI蛋白质组学数据共享平台：

? 

? 

研究人员运用代谢组和转录组等多组学研究手段，首先对小细胞肺癌细胞系，继而对基因工程小鼠和临床原发肿瘤组织等进行分析。

发现ASCL1低表达的小细胞肺癌细胞中嘌呤核苷酸的含量显著上升，同时伴随嘌呤合成通路中相关基因，特别是嘌呤合成途径中的关键限速酶—次黄嘌呤脱氢酶（IMPDH）的表达显著上调。代谢流分析结果显示，嘌呤合成途径的反应速率显著增加；

进一步的机制研究表明，ASCL1低表达的小细胞肺癌伴随了致癌基因MYC高表达，MYC作为转录因子通过激活IMPDH的转录从而促进了嘌呤合成速率；

在裸鼠移植瘤模型和肿瘤细胞中，抑制IMPDH能够降低ASCL1低表达的小细胞肺癌细胞和肿瘤组织的生长速度，提示IMPDH是一个潜在新型药物靶点。

研究相关资源和试剂的更多信息可向研究的主要联系人申请：rdinis@.

国家基因库序列归档系统（CNSA） 可实现【基因组】和【代谢组】数据的一站式归档服务 （蛋白组数据归档功能正在开发中，敬请期待）。

? 操作指引：登录CNGBdb → 导航栏点击 数据提交 →  进入CNSA：导航栏点击 提交入口 或 在页面点击 提交 按钮 → 数据提交页面可根据数据类型完成数据提交。

数据提交过程遇到任何问题都可直接联系。

CNGBdb 的数据[存]储功能由旗下的国家基因库序列归档系统（CNSA，cnsa）负责，这是国内首个实现在线批量上传和审编的组学数据归档库，可支撑全球科研成果发表。截至2021年3月4日，CNSA已支持论文发表228篇，发表期刊127个，包括 The   Lancet、Nature、Science、Cell 等。 

首发公号：国家基因库大数据平台  

参考文献

[1] 周彩存, 王洁, 步宏, 等. 中国非小细胞肺癌免疫检查点抑制剂治疗专家共识 (2019 年版)[J]. Chinese Journal of Lung Cancer, 2020, 23(2): 65.

[2] Xu J Y, Zhang C, Wang X, et al. Integrative proteomic characterization of human lung adenocarcinoma[J]. Cell, 2020, 182(1): 245-261. e17.

[3] Gillette M A, Satpathy S, Cao S, et al. Proteogenomic characterization reveals therapeutic vulnerabilities in lung adenocarcinoma[J]. Cell, 2020, 182(1): 200-225. e35.

[4] Chen Y J, Roumeliotis T I, Chang Y H, et al. Proteogenomics of Non-smoking Lung Cancer in East Asia Delineates Molecular Signatures of Pathogenesis and Progression[J]. Cell, 2020, 182(1): 226-244. e17.

[5] Huang F, Ni M, Chalishazar MD, et al. Inosine Monophosphate Dehydrogenase Dependence in a Subset of Small Cell Lung Cancers. Cell Metab. 2018;28(3):369-382.e5. 

文献(4): Nature子刊_晚期非小细胞肺癌的单细胞图谱

下面我会简单介绍一下文献内容，涉及到以下内容，大家可能会感兴趣：

我们从标题中大概能知道这篇文献的主要工作是集中在晚期NSCLC的肿瘤异质性、肿瘤微环境。去年的统计数据显示肺癌已经是我国发生率和死亡率最高的癌症。
大家做单细胞的原因很多时候都是为了解决异质性的问题，为什么用药之后有的人有效而有的人没效，为什么刚开始有效过段时间又没效，这其中根本的原因就在于异质性，肿瘤细胞本身有异质性，周围的微环境也有异质性。最终的愿景是希望在完全了解透这些异质性后，能给患者分组，每一组给予特定的治疗方案。

这张图显示了这篇研究的样本组成，有肺腺癌 肺鳞癌，有三期 四期，他们是否吸烟，有无致癌突变。这个图的展示形式还挺清晰的。

左上图展示了鉴定出来的11种主要的细胞类型，需要注意的是，这里面把 Cancer 和 Epithelial 、 Alveolar 是区分开的，也就是说肿瘤取样也可能含有正常的上皮细胞。这篇文章里面鉴定肿瘤细胞，方法非常简单，首先得是上皮细胞(高表达EPCAM)，然后不表达肺部组织正常上皮细胞的marker。比我 之前讲的方法 简单多了，准确性如何呢，我持保留意见，不过下文的CNV热图我们可以看到有一些病人所有肿瘤细胞是几乎没有CNV的。
左下图是病人来源信息，从图中可以看出，这张图是没有去批次效应的。原因有两个：一是对于非肿瘤细胞的亚群，不同病人聚类比较好，二是在这张图中，不想抹掉肿瘤细胞的肿瘤间异质性。这是原文的解释，我也很赞同，所以当你遇到肿瘤细胞、非肿瘤细胞一起聚类的情况，可以不去批次。非肿瘤细胞单独拿出来聚类就另说了。
右边两张图就比较常规了，marker基因热图（之前总结过展示marker基因的几种图， 第一篇 、 第二篇 ），细胞亚群占比。

a图是根据腺癌、鳞癌，有无突变分组后，比较CNV（前面写过三篇inferCNV相关的帖子，学完可以画出更好看的CNV热图）。作者发现肺腺癌在chromosome 7 and 8q有扩增，在chromosome 10有缺失；肺鳞癌在3q有扩增，在5q有缺失。该结论并不是在所有病人中都成立。
b图c图一起看，C图是说这些肿瘤细胞可以聚成20类，b图说的是每一个病人中，每个cluster的占比。从b图可以看出在多数的肺腺癌中（图的右边1/3的样本）会聚到一起（很像），并且每个病人中只有一个主要的cluster；而肺鳞癌病人之间没有那么像，并且好几个病人有多个cluster。这说明肺鳞癌有更高的肿瘤间异质性，以及更高的克隆性。
这一部分是肿瘤间异质性：腺癌鳞癌之间，病人之间。

为了定量肿瘤内部的异质性(ITH)，作者定义了两个ITH分数，一个基于表达矩阵得到ITH_GEX，一个基于inferCNV输出的矩阵得到ITH_CNA。在矩阵中，所有细胞两两之间算一个相关系数，对于这些数值的分布，0.75分位数减去0.25分位数就得到这个分数。左图显示这两个ITH分数有一定的相关性，但不强，因为CNV虽然可以影响基因表达，但基因表达还受很多其他因素的调控，比如TF、小RNA、点突变、与周围环境的细胞互作等等。
右图比较了不同分组之间的ITH分数。

关于肿瘤细胞的拟时序，我见过正常上皮细胞和肿瘤细胞放在一块来分析的，几乎没有见过肿瘤细胞单独做拟时序，而且我也觉得这样做没什么道理，我觉得肿瘤细胞不同状态是一种优胜劣汰的关系，不同状态之间是否会相互转变感觉不是很明确（我没说EMT, CSC这种线性的转变），所以即使做了拟时序结果也不一定可靠。

这篇文章是第二种情况，以图中肺鳞癌为例。已知basal cells和club cells可以发展成LUSC肿瘤细胞，做完monocle2发现club cells处在更末端的位置，basal cells处在靠近club cells的枝干上，肿瘤细胞分布在其余位置，因此可以将已知的路径改写成：basal cells 似乎 是club cells向肿瘤细胞转变的中间状态（原文 似乎 这个词用得太好了，没把话说绝，也省了实验验证，我学废了）。

文章说这是首次在肺癌中找到Th17细胞亚群，并揭示了Th17和Treg潜在的转变关系（之前已经被报道过）。
d图是用Slingshot做的，颜色深浅表示拟时序的先后，Th17和Treg之间被连起来，说明存在转换关系。
右边的分支图和热图是monocle2画的，之前刚学monocle2的时候，比较疑惑的是热图里面的fate1和fate2分别表示什么，这张图就说得很清楚了。从你想研究的节点（图中的1节点）到根（一般是人为指定，图中是CD4 naive对应的状态）都是pre-branch，然后沿着拟时序的方向（跟你指定的根状态有关），右边的枝是fate1（对应图中的增殖细胞），左边的枝是fate2（对应Treg细胞）。热图里面选了一些pre-branch、fate1、fate2对应细胞的差异基因来呈现，从热图中间向两边看，能看到不同的fate表达不同的基因。文中说，从图中可以看出Th17是沿着naive到Treg的中间状态。
结合这两种方法，得出Th17和Treg有潜在的转变关系。

在解析了肿瘤细胞、重要免疫细胞之后，作者又看了每个病人中细胞亚群的占比，并探究了哪些因素能影响细胞占比。

a图是说，不同的分组影响中性粒细胞的占比，文章是将中性粒细胞作为一种免疫抑制的亚群来说的。
d图是说，随着异质性分数的增加，几种免疫抑制的亚群占比增加，浆细胞亚群占比减少。（浆细胞分泌抗体对肿瘤细胞有一定的杀伤作用，可以通过介导NK细胞，或是激活补体系统等途径，不过抗肿瘤免疫平时说得比较多的还是T细胞杀伤这种细胞免疫方式。）
因此作者得出结论，认为ITH升高，会增加免疫抑制微环境，降低肿瘤杀伤能力。

文章的最后一部分讲的是细胞通讯，虽然作者说不同的分组有不同的细胞间通讯网络，但从文中给的图来看，几组都整体差不多，有个别差异。
如果用过cellphoneDB，会发现输出结果里面有统计学意义的受配体对很多很多，之前比较两组的受配体对，试过肉眼比较两张大热图一个一个看，太花时间了，后来就干脆提前整理好想要比较的受配体对（文章里面经常出现的受配体对就那些），直接从输出文件里面提取，省事很多。
比如，我图中圈出来的几个，

最后总结一下，我觉得的这篇文章的亮点：

OK啦，这篇文献就说到这里，欢迎三连哈~