Ezrin在化疗敏感性不同大B细胞淋巴瘤中表达的实验研究

目的：比较化疗敏感性不同弥漫性大B细胞淋巴瘤的蛋白质表达差异,寻找可反映大B细胞淋巴瘤化疗敏感性的标志物。方法：通过肿瘤药物敏感试验选取化疗高敏感性和低敏感性大B细胞淋巴瘤组织,进行蛋白质组学比较研究后得出差异表达蛋白;对在高敏感组中高表达的埃兹蛋白（Ezrin）进一步行免疫印迹验证,应用免疫组化技术检测在临床病例中的表达情况。结果：建立了化疗高敏感和低敏感大B细胞淋巴瘤差异表达蛋白质凝胶2D图谱,鉴定了28种差异表达蛋白,发现Ezrin蛋白在化疗高敏感组表达高于低敏感组,免疫印迹和免疫组化结果也进一步证实了Ezrin的这一表达状态。结论：Ezrin蛋白表达在化疗敏感性不同大B细胞淋巴瘤中存在差别,可能作为预测淋巴瘤化疗敏感性的候选标志物。     

初探Septin 9作为大B细胞淋巴瘤化疗敏感性相关标志物

目的：初步探讨Septin 9作为大B细胞淋巴瘤化疗敏感性相关标志物的实验依据。方法：通过肿瘤药物敏感试验选取化疗高敏感性和低敏感性大B细胞淋巴瘤组织,进行蛋白质组学比较研究后得出差异表达蛋白;对在低敏感组中高表达的Septin 9进一步行Western Blot验证,应用免疫组化技术检测Septin 9在临床病例中的表达情况。结果：化疗高敏感性和低敏感性大B细胞淋巴瘤组织蛋白质组学比较研究显示Septin 9蛋白在高敏感组表达低于低敏感组,免疫印迹和免疫组化结果与蛋白质组结果是一致的。结论：Septin 9蛋白表达在化疗敏感性不同大B细胞淋巴瘤中存在差别,存在化疗敏感性越高Septin 9表达越低的趋势,可能作为预测淋巴瘤化疗敏感性的候选标志物。     

大B细胞性淋巴瘤化疗敏感性相关蛋白类型及信号通路的生物信息学研究

目的:筛选化疗敏感性不同大B细胞淋巴瘤中差异表达蛋白,并分析其类型和相关信号通路,为淋巴瘤化疗敏感性的研究提供重要的靶蛋白。方法:通过肿瘤药物敏感试验选取化疗高敏感性和低敏感性大B细胞淋巴瘤组织,进行蛋白质组学比较研究后得出差异表达蛋白;应用GO-分析软件对差异表达蛋白进行分类和关系分析。结果:将大B细胞淋巴瘤化疗高敏感组和化疗低敏感组蛋白质经二维凝胶电泳分离的差异表达蛋白通过质谱和生物信息学分析鉴定的蛋白点52个,按生化过程分为12种蛋白,其中与代谢过程有关的蛋白最多,其次是细胞过程蛋白;按信号通路分为20余条信号通路包括凋亡信号通路、细胞周期相关通路等。按分子功能分为9类蛋白,其中结合相关蛋白最多,其次是催化活性蛋白,第三为结构蛋白。按蛋白功能分为钙结合蛋白、水解酶、氧化还原酶、磷酸酶等。按细胞内定位分为细胞外区、细胞内、核糖核蛋白复合体三类蛋白,其中细胞内蛋白数量最多,其次是核糖核蛋白复合体。根据信号通路网络图,所有差异表达蛋白以三个复杂网络区为主和四个较为简单联系网络区。结论:大B细胞性淋巴瘤的化疗敏感性与多种蛋白功能和多条信号通路的改变有关,信号通路间也存在复杂的联系。     

美罗华联合CHOP方案与CHOP方案治疗老年复发性弥漫性大B细胞性淋巴瘤的临床研究

目的:探讨美罗华联合CHOP方案与CHOP方案治疗老年复发性弥漫性大B细胞性淋巴瘤的临床疗效和不良反应.方法:选择老年复发性弥漫性大B细胞性淋巴瘤60例,按治疗方案分成研究组(30例)和对照组(n＝30),研究组采用美罗华联合CHOP方案,对照组给予单纯CHOP方案.评估比较两组患者疗效和不良反应,并随访两组患者的生存时间.结果:两组患者均完成治疗及治疗效果评估,研究组CR为10例,PR为15例,总有效率为83.3％(25/30);对照组CR为3例,PR为6例,总有效率为30.0％(9/30),研究组有效率明显高于对照组(X2=8.42,P＜0.05).随访期间,研究组MST、PFS明显长于对照组(P＜0.05).研究组和对照组1年生存率、2年生存率比较,差异有统计学意义(P＜0.01).两组间抗癌药物毒性分度比较,差异无统计学意义(P＞0.05).结论:美罗华联合CHOP方案用于老年复发性弥漫性大B细胞淋巴瘤,能明显提高治疗有效率,延长无进展生存期和生存时间,且没有增加老年患者毒副作用,应用安全.     

基于CFS-mRMR特征筛选方法和Adaboost算法的胶质瘤 相关基因筛选及预测模型的建立

目的:找出胶质瘤病变发生机制相关的基因群,并在此基础上建立预测胶质瘤病变发生的预测模型。方法:收集GEO中胶质瘤芯片数据,使用关联特征选择(Correlation-based Feature Subset, CFS)和最小冗余最大相关性(Minimum Redundancy MaximumRelevance, mRMR)特征选择方法筛选出差异基因,分析这些差异基因的功能,然后使用Adaboost算法建立胶质瘤的预测模型,并对模型的预测能力进行评估。结果:通过特征筛选,得到了19个和胶质瘤病变相关的的基因;以该19个基因建组成特征子集,结合AdaBoost算法建立了胶质瘤的预测模型,经验证,模型的预报准确率可以达到95.59%。通过对19个差异基因的GO和KEGG分析,发现这些基因和肿瘤的发生发展有一定作用。结论:CFS-mRMR特征筛选方法可以有效地发现与胶质瘤疾病有关的基因,所筛选的19个差异基因具有生物学意义,且以此构建的胶质瘤预测模型,可以有效地对预测胶质瘤的发生。