Del Ⅱ Metabolisk forståelse af den genetiske dysregulering i tumormikromiljøet i nyre renal clear cell carcinom

Resultat

1. Identifikation af differentielt udtrykte metaboliske gener i KIRC.

For at udforske den metaboliske dysregulering i KIRC undersøgte vi de tilgængelige TCGA-data for at få dyb indsigt i metabolisme-målrettede terapier i klinikken. Til dette formål udvalgte vi et sæt af 1916 metaboliske gener, der blev krydset fra to forskellige datasæt [16, 17] og screenede 1100 differentielt udtrykte gener i tumor vs normalt væv (supplerende tabel 2). Disse differentielt udtrykte metaboliske gener blev plottet i vulkaner og varmekort (figur 1(a) og 1(b)). Ud af 1100 differentielt udtrykte metaboliske gener blev 78 gener opreguleret og 163 gener blev nedreguleret. Desuden var der 859 gener, der var uændrede. Varmekortet repræsenterer det individuelle ekspressionsindeks for disse differentielle metaboliske gener i tumor- og normale prøver (figur 1(b)). Dernæst identificerede vi top 10 differentielt udtrykte metaboliske gener; blandt dem blev ENPP3, NNMT, CYP2J2, SCD og HK2 opreguleret, og HSD11B2, HMGCS2, HPD, HS6ST2 og ALDOB blev nedreguleret. Boksplottene for disse DEmG'er er vist i figur 1(c). Blandt de opregulerede gener er ENPP3 ~7-fold udtrykt i tumorer. Alternativt er genet ALDOB ~5-fold nedreguleret i analyserede tumorprøver.

Derudover evaluerede vi KEGG pathway og GO analyser af DEmGs. KEGG pathway-analyse afslørede, at de opregulerede gener var signifikant beriget i kulstofmetabolisme, HIF1-signalering og glykolyse/gluconeogenese med et højere genforhold (8-9 antal gener i hver pathway) (figur 1(d)). Tilsvarende fandt vi blandt nedregulerede DEmG'er, at kulstofmetabolisme og valin-, leucin- og isoleucinnedbrydning var de øverste veje påvirket af metabolisk aktive gener (figur 1(e)). De veje, der er relateret til peroxisomorganel, blev også signifikant beriget i en nedreguleret gruppe af gentumorprøver. Bemærkelsesværdigt, sammenlignet med dem i de opregulerede gener, har de veje, der er involveret i nedregulerede gener, højere signifikante p-værdier. Det er værd at nævne, at de fleste af KEGG-vejene beriget i nedregulerede genkategorier var relateret til aminosyremetabolisme. For yderligere at dissekere involveringen af ​​DEmG i tumorigenese blev GO-funktionelle analyser af opregulerede og nedregulerede gener udført. Vi opdelte GO-ontologien i tre funktionelle subontologigrupper, BP (biologisk proces), CC (cellulær komponent) og MF (molekylær funktion) (figur 1(f) og 1(g)). Derudover afslørede GSEA-analyse en signifikant stigning i berigelsen af ​​gener forbundet med BENPORATH_MYC_TARGETS_MED_EBOX i tumorer, mens BRUNT{{11} } MYELOID_CELLE_UDVIKLING_OP, KEGG_ALFA_ LINOLENSYRE_METABOLISME_METABOLISME og KEGG{ {19}}ETTER_ LIPID_METABOLISM viste sig at være negativt beriget. I den næste fase konstruerede vi et protein-protein interaktion PPI-netværk med op- og nedregulerede DEmG'er. En række af generne viste interaktion med hinanden. Gennem disse geners interaktioner isolerede vi hub-gener. Hver knude er adskilt fra den anden baseret på gradværdien; yderligere isolerede vi top 7 hub-gener for PPI. Vi undersøgte også sammenhængen mellem denne hub-genekspression og klinikopatologiske træk ved KIRC i TCGA-datasæt.

Klik her for at videhvad er fordelene ved Cistanche.

2. Netværksanalyse afslører grundlæggende metaboliske ændringer i forskellige tumorontologier.

Dernæst blev ekspressionsdataene for DEmG'er udvalgt og brugt som inputdata for WGCNA, som identificerede 6 forskellige samekspressionsmoduler indeholdende et forskelligt antal gener for hvert modul (figur 2(a)). Vi korrelerede differentielle gener med eksterne træk og identificerede de moduler, der var signifikant forbundet med kliniske træk (figur 2(b)). Baseret på korrelationskoefficienten fandt vi, at MEturkis-moduler var negativt korreleret med overlevelsesstatus. GO og KEGG pathway berigelse analyser blev udført under anvendelse af gener fra disse moduler (figur 2(c) og 2(d)). De mest berigede KEGG-veje var valin-, leucin- og isoleucinnedbrydning; kulstofmetabolisme; propanoatmetabolisme; fedtsyremetabolisme; fedtsyrenedbrydning; peroxisom og butanoat metabolisme; glyoxylat- og dicarboxylatmetabolisme; og tryptofanmetabolisme (figur 2(c)). Generne relateret til BP-termer var overvejende beriget med små molekyler, carboxylsyre og organisk syre kataboliske processer. Generne relateret til CC-termer blev hovedsageligt beriget i mitokondriematrixen. De differentielt udtrykte gener relateret til MF var hovedsageligt beriget i coenzymbinding (figur 2(d)). Derudover udførte vi en overlevelsesanalyse af 8 gener i overlevelsesmodulet. Patienter med højere ACADSB-, PANK1-, SLC25A4-, PCCA-, HADH-, AUH-, ACAT1- og ALDH6A1-ekspression havde en længere overlevelsesrate end dem med lavere ekspression af disse gener (p=0) (figur 2(e)–2( l)).

3. Clustering af KIRC-patienterne.

Vi udvalgte top DEmG'er til klyngeanalyse; KIRC-patienterne blev grupperet i tre klynger baseret på den differentielle ekspression af metaboliske gener. Figur 3(a) viser varmekortene af DEmG'er i KIRC-patienterne. Farveskalaen angiver ekspressionsværdien (lyseblå angiver en lavere ekspressionsværdi; mørkere blå angiver højere genekspressionsværdier).

KM-kurver blev plottet for at sammenligne den samlede overlevelse af de tre klynger for KIRC-patienter. De samlede overlevelsesrater afveg signifikant på tværs af de tre klynger (p < {{0}}:01 Figur 3(b)). Klynge 1 viste en dårligere overlevelsesrate sammenlignet med klynge 2 og klynge 3. PFS-overlevelsesraten var også signifikant forskellig blandt de 3 klynger (p < 0:001, figur 3(c)), og klynge 1 udviste en dårligere PFS-overlevelsesrate sammenlignet med med klynge 2 og klynge 3.

Forskellige farver i vores model repræsenterer kliniske parametre og underliggende patologiske stadier (figur 3(d)). Klynge 3 har lavere Mo-forhold og højere M1-værdi sammenlignet med klynge 1 og 2, hvilket tyder på højere cancermetastaser og mere fremskreden stadium af tumorer i klynge 3 end klynge 1 og 2. Tilsvarende har kræft i klynge 3 spredt sig mere til lymfeknuderne (højere N1) sammenlignet med dem i klynge 1 og 2. De fleste af KIRC-patienterne blev diagnosticeret i stadier III og IV (figur 3(e) og 3(f)), hvilket tyder på større eller udvidede tumorer, såvel som at bevæge sig igennem blodet eller lymfesystemet til en fjern region i kroppen.

4. Immunstatus for tre klynger.

Vi brugte ESTIMATE-algoritmen til at estimere stromal- og immunscorerne for en række KIRC-væv baseret på deres metaboliske transkriptionsprofiler (figur 4(a)). Senere blev disse scores taget i betragtning for at udvikle en stromal-immun score-baseret metabolisk gener signatur for prognosestratificering i KIRC. Som vist i figur 4(a) blev tre klyngegrupper (C1, C2 og C3) stratificeret i boksplot baseret på deres stroma-immune score. Blandt de tre klynger viste C1 en højere signifikant score i både stromale og immunklassifikationer.

Endvidere blev tre klynger analyseret med CIBERSORT med en p-værdi < 0.1 (Figur 4(b)). Tumorrenheden, immunscore og stromal score sammen med de patologiske stadier af 3 klynger er vist øverst på varmekortet. I denne analyse fandt vi hovedsageligt, at regulatoriske T-celler (Tregs) blev beriget i klynge C1, og patienter i C1 var hovedsageligt i patologiske stadier III og IV. Desuden de aktiverede NK-celler, CD8 plus T-celler, T-follikulære hjælpeceller og M0 makrofager i C1-klyngen; CD8 plus T-celler og T-follikulære hjælperceller i C2-klyngen; og hvilende mastceller, M2-makrofager, hvilende hukommelse CD4-T-celler, monocytter, naive B-celler og M1-makrofager i C3-klyngen blev også påvist (figur 4(b)).

Udover CIBERSORT brugte vi andre algoritmiske pakker til at kontrollere status for immuninfiltration. Det hierarkiske varmekort for MCP-analyse er vist i figur 4(c). Nøgleresultaterne af MCP-analyse var neutrofilinfiltration og endotelcelleinfiltration i klynge C3, der manglede i klynge C1. Denne analyse afslørede også NK-celle, monocytisk afstamning og myeloid dendritisk celleinfiltration i klynge C3. Andre immuncellepopulationer blev blandet i tre analyserede klynger (figur 4(c)).

For at komplementere CIBERSORT- og MCP-analyser anvendte vi ssGSEA til at kvantificere infiltrationsniveauer for immuncelletyper implementeret i R-pakke GSVA. Tre klyngers data blev tilført ssGSEA-pakken og opnåede rigdom af 28 immunrelaterede celler og typer i KIRC-prøver. Resultater afslørede, at C1 og C2 havde mere immuninfiltration; nogle medfødte immunceller, herunder NK, neutrofiler og eosinofiler, blev blandet i 3 klynger (figur 4(d)).

5. Konstruktion og validering af forudsigelsesmodellen baseret på DEmG'er.

Til sidst konstruerede og validerede vi forudsigelsesmodellen baseret på den differentielle ekspression af de metaboliske gener. Vi beregnede den immunrelaterede risikoscore for DEmG'er baseret på den samlede overlevelse. Til dette formål udtænkte vi to grupper til evaluering af korrelationen af ​​risikoscoren; den ene er til træningskohorten og den anden til testkohorten. Vi fandt, at den samlede overlevelse var lav og spredt over risikoscoren (figur 5(a) og 5(b)). Dernæst tildelte vi, baseret på den mediane risikoscore, KIRC-patienter til høj- og lavrisikogrupper til yderligere evaluering. Vi udførte derefter en overlevelsesanalyse af disse to risikogrupper i trænings- og testkohorter. Som forventet viste højrisikogrupperne sig at have en lav overlevelse sammenlignet med lavrisikogrupperne (figur 5(c) og 5(d)). Endvidere blev der udført ROC-kurveanalyse for trænings- og testkohorter. Vi observerede en ROC-score på 0.68 efter 5 år i testkohorter, hvilket indikerer god præstation til at forudsige prognosen for KIRC (figur 5(e) og 5(f)). Ud over ROC-kurveanalysen udførte vi også LASSO COX-regressionsmodellen for at validere vores prognostiske model som angivet ved partiel sandsynlighedsafvigelse (Supplerende figur 5(a)) og regressionskoefficient for DEmGs (Supplerende figur 5(b)). Endelig blev fem gener (ABCG1, CRYL1, FDX1, PANK1 og SLC44A) forudsagt at være potentielle prognostiske faktorer med HR < 1 (Supplerende figur 5(c)).

6. Underliggende mekanismer for KIRC-fremskridtet.

For yderligere at undersøge den underliggende mekanisme for KIRC-progression udførte vi differentiel ekspressionsanalyse blandt alle klynger og brugte et varmekortplot til at visualisere resultaterne (figur 6(a)). For at identificere signalvejene for DEmG'erne udførte vi KEGG- og GO-berigelsesanalyser af DEG'erne i tre klynger. Kort sagt afslørede disse resultater, at DEG'er af tre klynger hovedsageligt var beriget i fokal adhæsion, Foxo-signalvejen og Apelin-signalvejen for klynge C3 og mineralabsorption, neutrofil ekstracellulær fældedannelse og staphylococcus aureus-infektion for klynge C2 (Figur 6) (b)). Derudover afslørede GO funktionel analyse af DEG'er MF-, CC- og BP-relaterede ontologier vist i figur 6(c). Interessant nok afslørede den differentielle ekspressionsanalyse unormal opførsel af genernes regulering i tre klynger. For det meste var NUDT1 højt udtrykt i C1, som havde den værste overlevelse. Yderligere undersøgelse afslørede, at NUDT1-ekspression var signifikant nedreguleret gennem progressionen fra C1 til C3 (figur 6(d)). Desuden blev NUDT1 fundet at være opreguleret i KIRC-tumorprøver (figur 6(e)). Dernæst fremhævede vi NUDT1-ekspressionen i hver tumors stadier (figur 6(f)). Samlet overlevelsesanalyse blev også udført af Kaplan-Meier plotteren, og vi fandt ud af, at patienter med højere ekspression af NUDT1 havde dårligere samlet overlevelse (HR=1:82 (1.34-2.48), log-rank p {{27} }:00012) (figur 6(g)).

Til sidst udførte vi KEGG og GO funktionelle berigelsesanalyser for gener, der interagerer med NUDT1. Generne blev opdelt i to grupper - positivt korreleret med NUDT1 og negativt korreleret med NUDT1. KEGG pathway analyse viste, at positivt korrelerede gener hovedsageligt var beriget i den ribosomale pathway, Huntingtons sygdom, amyotrofisk lateral sklerose og Alzheimers sygdom. På den anden side blev de negativt korrelerede gener beriget hovedsageligt i hepatitis B- og Foxo-signalering (figur 6(h)). Desuden blev GO-ontologien for tre forskellige grupper MF, CC og BP for både positivt og negativt korrelerede gener vist i figur 6(i). Derudover fandt vi, at ekspressionen af ​​NUDT1 var stærkt korreleret med infiltrationen af ​​immunceller (Supplerende figur 6) og forskellige kliniske træk hos KIRC-patienterne (tabel 1).

Cistanche kosttilskud

7. Tab af NUDT1 hæmmer nyrekræftcelleproliferation og migration.

Dernæst sammenlignede vi ekspressionsniveauet af NUDTI i KIRC-væv og deres associerede normale væv, hvilket afslørede, at NUDT1 er stærkt udtrykt i KIRC-væv (figur 7(a)). Desuden bestemte vi virkningerne af NUDT1-tab på nyrekræftcellelinjer ved at bruge siRNA-medieret hæmning. NUDT1 var målrettet for siRNA-knockdown i to cellelinjer 786-O og ACHN, og NUDT1-mRNA-niveauerne blev med succes hæmmet som vist ved qPCR-analyse (figur 7(b)). Efter den siRNA-medierede knockdown af NUDT1 viste cellelevedygtighedsanalysen reduceret cellelevedygtighed i begge cellelinjer (figur 7(c) og 7(d)). Bagefter viste cellemigrationsassay efter knockdown af NUDT1 signifikant reduceret cellemigration i NUDT1-udtømte 786-O- og ACHN-celler (figur 7(e) og 7(f)). Migrationskapaciteten af ​​786-O-celler blev reduceret til omkring 50 procent, og en reduktion på 70 procent blev observeret i ACHN-celler efter NUDT1-knockdown (figur 7(f)). Celleinvasionen blev også hæmmet i begge cellelinjer, da NUDT1-genet blev slået ned (figur 7(g) og 7(h)). For at komplementere migrationen udførte vi også et sårhelingsassay, når NUDT1 var udtømt fra 786-O- og ACHN-cellelinjer, og vi observerede lignende resultater af reduceret sårhelingsevne i begge cellelinjer, der manglede NUDT1 (figur 7(l)– 7(n)). Baseret på disse resultater antog vi, at tab af NUDT1 kunne føre til apoptose i nyrekræftceller. Derfor målte vi procentdelen af ​​de apoptotiske celler efter dæmpning af NUDT1. Interessant nok opdagede vi, at procentdelen af ​​apoptotiske celler var signifikant øget i NUDT1-udtømte celler (figur 7(i)-7(k)).

Diskussion

Renal renal clear cell carcinoma (KIRC) er en af ​​de mest almindeligt forekommende kræftformer på verdensplan, og viser generelt ingen tidlige symptomer, før tumoren bliver stor nok; derfor er dødeligheden relativt høj [18-20]. Det er således nødvendigt at undersøge karcinogenesen af ​​KIRC og at identificere nyttige biomarkører til dets tidlige diagnose. Der er dog indtil videre etableret begrænset viden om patogenesen og carcinogenesen af ​​KIRC. Derudover er der ikke valideret mange molekylære markører for klinisk praksis. Avanceret high-throughput sekventering og bioinformatik teknologi gør det muligt at udvælge effektive biomarkører [21]. RNA-sekventeringsdata og kliniske annoteringer af over fem hundrede KIRC-tilfælde er frit tilgængelige på TCGA-databasen. Ved at udnytte disse frit tilgængelige data fra TCGA analyserede vi RNA-sekvensdata for differentielt udtrykte metaboliske gener i tumor vs normale vævsprøver. Blandt opregulerede og nedregulerede gener identificerede vi top 10 differentielt udtrykte metaboliske gener (DEmGs). Vi mener, at metaboliske gener har forskellige funktioner i KIRC; stadig, at finde egnede diagnostiske og terapeutiske markører kunne være en udfordring fra puljen af ​​gener med diversificerede funktioner.

Tidligere har undersøgelser estimeret immuncelleinfiltration i tumormikromiljøet i flere kræftformer. Et forhold mellem tumorimmunceller og angiogenese i KIRC-prøvers data opnået fra TCGA blev undersøgt, og RFX2, SOX13 og THRA blev identificeret som de tre bedste MTF'er til regulering af angiogenesesignatur hos KIRC-patienter [4]. Desuden kontrollerer to uafhængige m6A-modifikationsmønstre biologiske funktioner, immunologiske karakteristika og prognoser for KIRC [22]. Autofagi-relateret protein 5 (ATG5) er blevet forbundet med udviklingen af ​​flere kræftformer, herunder KIRC [23]. I den nuværende analyse viste nogle af de differentielt udtrykte gener, herunder PBRM1, SET2, VHL og BAP1, signifikant korrelation med metaboliske veje i KIRC-data. For yderligere dyb undersøgelse grupperede vi patienterne baseret på DEmG'erne; klynge 1 viste en dårligere samlet overlevelsesrate sammenlignet med de andre klynger; under alle omstændigheder har KIRC-patienterne i klynge 3 fremskredne tumorstadier og har høje lymfeknuder (højere N1) sammenlignet med dem i klynge 1 og 2, hvilket viser cancermetastaser og udvidelse af tumorer i klynge 3. Det viser et mindre antal metaboliske gener i klynger forbundet med cancermetastaser.

Derudover viser immuninfiltrationsscorer i forskellige klynger C1 med høje scores i stromale og immunklassifikationer. Bemærkelsesværdigt har C1-patienter i patologiske stadier III og IV høj infiltration af T-celler sammen med CD8 plus T-celler, T-follikulære hjælperceller og makrofager. Mens du også har rigelige Tregs. Tregs har en vital rolle i immuntolerance og homeostase [24]. I mange kræftformer, såsom tyktarmskræft, brystkræft og bugspytkirtelkræft, er den øgede procentdel af Tregs forbundet med den dårlige prognose for kræft [25, 26]. M0 makrofagen inducerer invasionen og proliferationen af ​​celler [27], og forhøjede niveauer af makrofagerne er forbundet med dårlig prognose i RCC [28]. Ligeledes er CD8 plus T-celler kendt som de vigtigste antitumorceller og det bedste valg for målrettet immuncelleterapi til cancer [29]. Selvom C1 har den højeste infiltration af CD8 plus T-celler end andre klynger, havde den den værste samlede overlevelse.

Herba Cistanche

Vi brugte tre metoder CIBERSORT, MCP og ssGSEA til at studere immuncelleinfiltrationen i KIRC-tumormikromiljøet. Den traditionelle metode til at måle tumorimmuninfiltrationen er gennem histologi på vævssnit og immunundergrupper udledt af individuelle markørers immunhistokemi. Der er dog flere begrænsninger, hvor immunhistokemi ikke kan identificere mange immunpopulationer og klarer sig dårligt til at fange funktionelle fænotyper (f.eks. aktiverede vs. hvilende lymfocytter). Derfor brugte vi CIBERSORT, en beregningsmetode udviklet af [30], der adresserer de udfordringer, som immunhistokemi står over for. Udover CIBERSORT brugte vi andre algoritmiske pakker til at kontrollere status for immuninfiltration. Dette skyldes, at CIBERSORT kun måler intraprøve-andele af immuncellepopulationer, der kan opløses af en anden pakke, såsom MCP-tælleren, som kan estimere cellepopulationen i overflod, hvilket muliggør en interprøve-sammenligning af infiltrerende celler i tumormikromiljøet [31]. For at komplementere CIBERSORT- og MCP-analyser anvendte vi ssGSEA til at kvantificere infiltrationsniveauer for immuncelletyper implementeret i R-pakke GSVA [32, 33]. GSA er en rang-baseret metode, der beregner en overekspression for et gens liste over interesse i forhold til alle andre gener i genomet. CIBERSORT viste bedre resultater sammenlignet med de to andre metoder; der blev således udført yderligere analyser fra data opnået fra CIBERSORT.

Desuden fokuserede vi på den underliggende mekanisme for KIRC-progressionen ved differentiel ekspressionsanalyse baseret på RNA-seq-dataene. Samlet set målrettede vi unormal differentiel ekspression af de fælles gener blandt tre klynger. De fleste af generne blev nedreguleret undtagen NUDT1 i C1; dog blev dets udtryk signifikant nedreguleret gennem progressionen fra C1 til C3. Således blev NUDT1 yderligere valideret for sin rolle i KIRC-progression. Den siRNA-medierede inhibering af NUDTI-genekspression i to KIRC-cellelinjer (786-O og ACHN) reducerede cellelevedygtigheden og cellemigrationen og øgede apoptose, hvilket bekræfter dets rolle i tumorprogression. Tidligere er det blevet rapporteret, at niveauet af NUDT1-ekspression korrelerede med tumorgrad, stadie, størrelse, differentiering, grad af vaskulær invasion, samlet overlevelse (OS) og sygdomsfri overlevelse (DFS) hos HCC-patienter, også forudsagt som en prognostisk markør med terapeutiske potentialer hos HCC-patienter [34]. Overudtrykkelse af NUDT1 i pulmonal arteriel hypertension reducerer oxidativt stress og DNA-skader, hvilket fremmer celleproliferation og reducerer apoptose [35]. Det har vist sig, at patienter med oralt planocellulært karcinom (OSCC) med høj ekspression af NUDT1 har vist en dårlig overlevelsesrate [36]. Baseret på det faktum, at der ikke er nok litteratur tilgængelig om NUDTI's rolle i kræftsygdomme, og indtil videre har ingen undersøgelser nogensinde rapporteret dens rolle i KIRC, derfor rapporterer vi for første gang NUDTI's rolle i KIRC-progression. Den nuværende undersøgelse havde nogle begrænsninger; Selvom vores forskning fandt, at signaturen kan være forbundet med immunterapi af KIRC, kunne signaturens effektivitet ikke valideres på grund af manglen på data, de potentielle underliggende mekanismer og funktionelle roller af NUDT1 i KIRC og klinisk praksis har brug for yderligere udforskning.

Cistanche tubulosa

Konklusioner

Vi screenede dysregulerede metaboliske gener mellem normalt væv og tumorvæv og udforskede deres funktion. WGCNA-analyse identificerede en gruppe gener korreleret med overlevelsesstatus for KIRC. Konsensusklyngning baseret på overlevelsesrelaterede gener viste tre klynger med forskellige overlevelsesrater og immuninfiltrationsmønstre. NUDT1 korrelerede negativt med overlevelse, og yderligere analyser viste, at knockdown af NUDT1 hæmmer spredning og migration af tumorceller. Det skal bemærkes, at en forudsigelsesmodel blev konstrueret baseret på overlevelsesrelaterede gener, som viste høj effektivitet i at forudsige overlevelsen af ​​KIRC. Som konklusion udførte vi en udtømmende analyse af metaboliske gener i KIRC og identificerede NUDT1 som et onkogen, der kunne bruges som et terapeutisk og prognostisk mål.

Virkningen af ​​Cistanche-ekstrakt på nyrernes gennemsigtighed

Der er begrænset videnskabelig dokumentation for effekten af ​​Cistanche på nyrernes gennemsigtighed. Nogle undersøgelser tyder dog på, at Cistanche-ekstrakt kan have en positiv indvirkning på nyrernes sundhed.

Nyrerne er ansvarlige for at filtrere affald og toksiner fra kroppen, og deres sundhed er afgørende for det generelle velvære. Undersøgelser har vist, at Cistanche-ekstrakt har potente antioxidante og anti-inflammatoriske egenskaber, som kan hjælpe med at beskytte mod oxidativt stress og inflammation i nyrerne.

I traditionel kinesisk medicin bruges Cistanche også til at tonificere nyrerne og forbedre deres funktion. Nogle praktiserende læger mener, at regelmæssig indtagelse af Cistanche-ekstrakt kan hjælpe med at forbedre nyrernes gennemsigtighed, selvom denne påstand ikke understøttes af robust klinisk forskning.

Derfor er mere stringent forskning påkrævet for fuldt ud at forstå de potentielle fordele ved Cistanche-ekstrakt på nyrernes gennemsigtighed. Ikke desto mindre, som med ethvert kosttilskud eller alternativ terapi, er det vigtigt at rådføre sig med en sundhedspersonale, før du inkorporerer nye tilføjelser i din kost, især hvis du har allerede eksisterende medicinske tilstande.

Referencer

[18] RL Siegel, KD Miller og A. Jemal, "Cancerstatistik, 2019," CA: A Cancer Journal for Clinicians, vol. 69, nr. 1, s. 7-34, 2019.

[19] RL Siegel, KD Miller, HE Fuchs og A. Jemal, "Cancer statistics, 2021," CA: A Cancer Journal for Clinicians, vol. 71, nr. 1, s. 7-33, 2021.

[20] JC Angulo og O. Shapiro, "The changing therapeutic landscape of metastatic renal cancer," Cancers, vol. 11, nr. 9, s. 1227, 2019.

[21] AK Sharma, "Emerging trends in biomarker discovery: ease of prognosis and prediction in cancer," Seminars in Cancer Biology, vol. 52, del 1, s. iii–iv, 2018.

[22] H. Li, J. Hu, A. Yu et al., "RNA-modifikation af N6--methyladenosin forudsiger immunfænotyper og terapeutiske muligheder i nyre-renal clear cell carcinoma," Frontiers in Oncology, vol. 11, artikel 642159, 2021.

[23] C. Xu, Y. Zang, Y. Zhao, et al., "Omfattende pan-cancer-analyse bekræftede, at ATG5 fremmede opretholdelsen af ​​tumormetabolisme og forekomsten af ​​tumorimmunescape," Frontiers in Oncology, vol. 11, artikel 652211, 2021.

[24] Y. Takeuchi og H. Nishikawa, "Roles of regulatory T cells in cancer immunity," International Immunology, vol. 28, nr. 8, s. 401-409, 2016.

[25] C. Zhuo, Y. Xu, M. Ying, et al., "FOXP3 plus Tregs: heterogene fænotyper og modstridende indvirkninger på overlevelsesresultater hos patienter med kolorektal cancer," Immunologic Research, vol. 61, nr. 3, s. 338-347, 2015.

[26] H. Wang, F. Franco og PC Ho, "Metabolisk regulering af Tregs i cancer: muligheder for immunterapi," Trends Cancer, vol. 3, nr. 8, s. 583-592, 2017.

[27] BZ Qian og JW Pollard, "Makrofagdiversitet øger tumorprogression og metastase," Cell, vol. 141, nr. 1, s. 39-51, 2010.

[28] A. Hajiran, N. Chakiryan, AM Aydin, et al., "Rekognoscering af tumorimmun mikromiljø rumlig heterogenitet i metastatisk nyrecellecarcinom og korrelation med immunterapirespons," Clinical and Experimental Immunology, vol. 204, nr. 1, s. 96-106, 2021.

[29] B. Farhood, M. Najafi og K. Mortezaee, "CD8(plus) cytotoksiske T-lymfocytter i cancerimmunterapi: en gennemgang," Journal of Cellular Physiology, vol. 234, nr. 6, s. 8509-8521, 2019.

[30] AM Newman, CL Liu, MR Green, et al., "Robust optælling af celleundersæt fra vævsekspressionsprofiler," Nature Methods, vol. 12, nr. 5, s. 453-457, 2015.

[31] E. Becht, NA Giraldo, L. Lacroix, et al., "Estimering af populationsoverfloden af ​​vævsinfiltrerende immun- og stromacellepopulationer ved hjælp af genekspression," Genome Biology, vol. 17, nr. 1, s. 218, 2016.

[32] DA Barbie, P. Tamayo, JS Boehm, et al., "Systematisk RNA-interferens afslører, at onkogene KRAS-drevne kræftformer kræver TBK1," Nature, vol. 462, nr. 7269, s. 108-112, 2009.

[33] S. Hanzelmann, R. Castelo og J. Guinney, "GSVA: gensætvariationsanalyse for mikroarray og RNA-seq data," BMC Bioinformatics, vol. 14, nr. 1, 2013.

[34] Q. Ou, N. Ma, Z. Yu et al., "Nudix hydrolase 1 er en prognostisk biomarkør i hepatocellulært karcinom," Aging, vol. 12, nr. 8, s. 7363-7379, 2020.

[35] G. Vitry, R. Paulin, Y. Grobs, et al., "Oprydning af oxiderede DNA-prækursorer ved NUDT1 bidrager til vaskulær remodeling i pulmonal arteriel hypertension," American Journal of Respiratory and Critical Care Medicine, vol. 203, nr. 5, s. 614-627, 2021.

[36] Y. Shen, L. Zhang, S. Piao, et al., "NUDT1: en potentiel uafhængig prædiktor for prognosen for patienter med oral pladecellecarcinom," Journal of Oral Pathology & Medicine, vol. 49, nr. 3, s. 210-218, 2020.

Junwei Xie,1,2,3,4,5 Lingang Cui,6 Shaokang Pan,1,2,3,4,5 Dongwei Liu,1,2,3,4,5 Fengxun Liu,1,2,3,4 ,5 og Zhangsuo Liu 1,2,3,4,5

1 Nefrologisk afdeling, det første tilknyttede hospital ved Zhengzhou University, Zhengzhou 450052, Kina

2 Research Institute of Nephrology, Zhengzhou University, Zhengzhou 450052, Kina

3 Research Center for Kidney Disease, Zhengzhou, 450052 Henan, Kina

4 Nøglelaboratorium for præcisionsdiagnose og behandling af kronisk nyresygdom i Henan-provinsen, Zhengzhou 450052, Kina

5 Core Unit of National Clinical Medical Research Center of Kidney Disease, Zhengzhou 450052, Kina

6 Urologisk afdeling, det første tilknyttede hospital ved Zhengzhou University, Zhengzhou 450052, Kina