p53是细胞内最重要的抑癌基因之一,超过50％的人类肿瘤存在以错义突变为主的p53基因变异,导致肿瘤细胞中突变体p53蛋白的产生和积累.除了丧失正常的生物学功能、并通过显性负效应抑制野生型p53的转录活性和肿瘤抑制能力,越来越多的研究表明,突变体p53的"功能获得(gain-of-function)"是其促进肿瘤进展和转移的重要途径.翻译后修饰是调节p53分子功能的关键方式,对野生型p53及不同类型突变体p53的调控表现出普遍性和特异性的双重特征,是靶向突变体p53进而逆转肿瘤的新兴潜在靶点.本文以突变体p53的翻译后修饰为切入点,对突变体p53通过"功能获得"参与肿瘤发生发展的过程、翻译后修饰对突变体p53的调控机制,以及靶向突变体p53及其翻译后修饰在肿瘤治疗中的应用做一综述.此外,我们还讨论了突变体p53在肿瘤生物学研究中尚未解决的问题,并对未来的研究方向进行了展望.本综述旨在系统概括翻译后修饰对突变体p53"功能获得"的调控和在肿瘤发生发展中的意义,为开发基于靶向突变体p53翻译后修饰的肿瘤干预策略提供依据.

目的 比较肾脏肿瘤不同类型患者的基线特征,同时对比核磁共振检查(MRI)、CT以及多普勒超声三种影像学检查方法对于肾脏肿瘤的有无及良恶性诊断能力的一致性.方法 回顾性收集解放军总医院第三医学中心2021年2月-2022年1月经过MRI检查的肾脏肿瘤患者118例,部分患者入院时同时进行CT和多普勒超声检查.满足正态的计量资料组间比较采用t检验;不满足正态分布的计量资料组间比较采用Mann-Whitney U秩和检验.计数资料组间比较采用卡方检验或Fisher精确概率法.MRI、CT以及多普勒超声三种影像学检查结果的一致性检验采用Kappa检验.结果 118例接受MRI检查的研究对象中,良性肾脏肿瘤患者64例(54.24％),恶性肾脏肿瘤患者117例(99.15％),63例(53.85％)患者同时患有良性和恶性肾脏肿瘤.同时患有良性和恶性肾脏肿瘤的患者中男性患者的比例(49例,77.78％)显著高于仅有良性或者仅有恶性的肾脏肿瘤患者(32例,58.18％),差异有统计学意义(x2=5.239,P=0.021).同时患有良性和恶性肾脏肿瘤的患者的中位年龄(59岁;四分位间距:52-65岁)显著高于仅有良性或者仅有恶性的肾脏肿瘤患者(50岁;四分位间距:43-58岁),差异有统计学意义.27名患者同时做了MRI、CT和多普勒超声三种检查,MRI方法检查中患者均为肾脏肿瘤患者,CT检查中诊断为肾脏肿瘤有26人,超声检查中诊断为肾脏肿瘤的有24人,CT检查与MRI检查的一致性比较差(kappa=0.04;95％CI,-0.11～0.48);超声与MRI检查的一致性比较差(kappa=0.11;95％CI,-0.01～0.23);MRI检查中有15例患者诊断为良性肾脏肿瘤,CT检查中有1例患者诊断为良性肾脏肿瘤,两者的一致性较差(kappa=0.09;95％CI,-0.08～0.26),超声检查中2例患者为良性肾脏肿瘤,12例患者良恶性无法判读.结论 男性和年龄较大的人更容易患恶性肾脏肿瘤.MRI检查在肾癌患者的诊断及良恶性判断方面优于CT检查和超声检查,可以弥补CT检查和超声检查的不足.临床中MRI可为肿瘤的诊断及治疗方案的制定提供一定的参考依据,临床应用及推广价值较高.

目的 研究蜂王浆水溶蛋白对高糖诱导人脐静脉内皮细胞(HUVEC)的保护作用及其机制.方法 采用CCK-8法检测蜂王浆水溶蛋白对HUVEC细胞增殖活性的影响;酶标法检测蛋白对超氧化物歧化酶(SOD)分泌的影响;酶联免疫吸附法检测蛋白对肿瘤坏死因子α(TNF-α)、白介素-4(IL-4)分泌的影响;流式细胞术检测蛋白对活性氧分泌的影响;Hoechst-PI双染法检测蛋白对细胞凋亡及坏死的影响.结果 高糖损伤的HUVEC经蜂王浆水溶蛋白处理后,细胞的形态明显改善,增殖活性提高,SOD分泌增加,清除活性氧的能力提高,TNF-α、IL-4的分泌减少,细胞凋亡减少,但对细胞坏死率无影响.结论 蜂王浆水溶蛋白能抗高糖所致HUVEC的损伤,其机制可能与提高细胞抗氧化能力、减轻炎症反应有关.

目的:筛选与肝细胞癌(hepatocellular carcinoma,HCC)预后密切相关的炎症反应关键基因,构建预后风险评分模型,并评估该模型在HCC中的预后价值.方法:从TCGA数据库获取HCC患者肝肿瘤组织及正常肝组织的mRNA表达数据作为训练集,从GEO数据库中获取HCC患者的mRNA表达数据作为验证集.筛选出与HCC预后相关的炎症反应相关基因,运用LASSO回归和随机生存森林(RSF)方法筛选与HCC预后相关的炎症反应关键基因.基于这些关键基因构建预后风险评分模型并验证,应用Cox比例风险回归评估该模型对患者预后的影响.构建列线图并进行一致性分析.结果:共筛选出15个与HCC预后相关的炎症反应基因,经LASSO回归和RSF分析,确定11个炎症反应关键基因,即IL18RAP、MEP1A、RIPK2、CYBB、SLC7A1、ADM、IL7R、P2RX4、ACVR2A、SERPINE1、SLC7A2.构建的预后风险评分模型在训练集和验证集上预测1、3、5年生存率,AUC值均超过0.60;Kaplan-Meier分析显示高风险组总生存期(OS)显著低于低风险组(P＜0.01);PCA和t-SNE分析显示该模型能有效区分高、低风险患者.Cox回归分析提示预后风险评分是独立的预后因素,且与OS显著相关(P＜0.01).列线图模型C-index为0.672,具有较高的预测精度,1年和3年校准曲线与标准曲线吻合度好,5年吻合度稍弱.结论:本研究成功构建并验证了一个基于炎症反应相关基因的风险评分模型,筛 选出的11个炎症反应关键基因(IL18RAP、MEP1A、RIPK2、CYBB、SLC7A1、ADM、IL7R、P2RX4、ACVR2A、SERPINE1、SLC7A2)与HCC进展密切相关,且在模型中显示出较强的预后预测能力.

胶质母细胞瘤(glioblastoma,GBM)是最常见的恶性脑肿瘤,恶性程度高、侵袭力强、易复发和预后差是其显著的特点[1].胶质瘤干细胞(glioma Stem Cells,GSCs)是神经胶质瘤细胞中所包含的一种具有自我更新能力的亚群,其特性包括高致瘤性、自我更新的能力和对放化疗的抵抗,被认为是GBM复发的关键因素之一,也被称之为胶质瘤起始细胞(glioma initiating cells,GICs).

目的本研究旨在结合传统MRI序列及增强检查,提取多模态高通量影像组学特征并联合语义特征,使用不同的机器学习分类器构建不同的模型并绘制列线图来鉴别高级别胶质瘤(high-grade glioma,HGG)和单发性脑转移瘤(solitary brain metastasis,SBM).材料与方法本研究对101名患者的多参数MR图像进行了回顾性分析,由两位资深医师标定肿瘤感兴趣区,然后对每个序列分别提取影像组学特征后进行组合,共提取428组影像组学特征.为消除人为标定差异,进行组内相关系数一致性检验,并运用最大相关最小冗余算法选取最具相关性的特征,然后进一步通过最小绝对收缩和选择算子算法筛除冗余特征.本研究采用支持向量机、逻辑回归、随机森林及K近邻四种算法建立分类模型.结合放射科医生评估的七项语义特征,通过卡方检验和多因素分析去除差异无统计学意义的语义特征.然后结合组学特征建立综合模型并绘制列线图.最终,评价各模型的诊断能力,以确定最优分类器.结果HGG及SBM患者建立的影像组学模型中LR的受试者工作特征曲线下面积(area under the curve,AUC)值最高,训练集与测试集分别为0.90和0.90.语义特征建立的模型中随机森林模型性能最好,训练集和测试集AUC分别为0.82和0.87.语义特征联合影像组学评分后采用逻辑回归建立的模型性能最好,训练集和测试集AUC分别为0.91和0.92.结论本研究使用影像组学机器学习分类器并联合其他图像语义特征绘制列线图对HGG及SBM进行鉴别,这是一种非侵入性方法,具有较好的准确性,为临床决策和实践提供了较大的帮助.

目的:探讨不同等级深度学习图像重建(DLIR)算法对肾上腺肿瘤的检出、组学特征可重复性和组学模型鉴别肿瘤类型效能的影响.方法:回顾性收集41例肾上腺功能性腺瘤(FAA)和46例肾上腺转移瘤(AM)患者的临床和影像资料.CT增强扫描完成后,对静脉期的原始数据采用4种强度等级(DL1、DL2、DL3、DL4)的DLIR算法进行重建.首先采用主、客观指标比较4种等级间图像质量的差异;然后使用Research Portal V1.1科研平台对各组重建图像上肾上腺肿瘤进行分割并提取450个影像组学特征,包括原始图像特征90个和拉普拉斯(LoG)滤波后的高阶特征(高斯核:0.5、1.0、1.5、2.0)360个.采用一致性相关系数(CCC)评估采用不同图像重建等级测量的FAA和AM组学特征的可重复性.最后,在各组重建图像中采用逐步特征选择策略,筛选出最优特征集并构建鉴别FAA和AM的组学模型.利用五折交叉验证法验证4个组学模型的鉴别效能,利用分层交叉验证法测评4个模型的泛化能力.结果:DL2和DL3在肾显示上腺肿瘤的清晰度方面最优,得分为4(4,5),优于DL1相应得分4(3,5)和DL4相应得分4(3,4),且差异具有统计学意义(F=139.045,P<0.05).随着DLIR降噪等级的提升,原始特征CCC值>0.85的个数逐渐减少,DL4中FAA和AM特征可重复的比例仅占39.3％(21/90)和50.9％(29/90).组学特征经过LoG滤波(高斯核2.0)处理后,CCC值>0.85的个数增加,DL4中FAA和AM特征可重复的比例占91.1％(82/90)和93.3％(84/90).4个组学模型在测试集中的曲线下面积(AUC)和符合率均>0.75,DeLong检验显示AUC的差异无统计学意义(Z=0.177～1.284,P=0.199～0.859).但分层交叉验证显示,DL4重建图像的泛化能力最弱,AUC和符合率均<0.75.结论:高降噪等级的DLIR算法会降低对肾上腺肿瘤显示的清晰度以及组学模型的泛化性.虽然LoG滤波器(高斯核:2.0)有助于提升组学特征测量的可重复性,但仍建议在肾上腺影像诊断和组学模型训练时,使用中低降噪等级的DLIR图像.

目的 探讨环磷酰胺(CTX)及其活性代谢衍生物4-氢过氧环磷酰胺(4-HC)对人神经母细胞瘤SH-SY5Y细胞的损伤效应及其机制.方法 用CTX[0(细胞对照),0.01,0.1,1,5,10,20,40和80 mmol·L-1]和4-HC[0(细胞对照),0.01,0.1,1,5,10,20,40和80 μmol·L-1)]处理SH-SY5Y细胞48 h,应用IncuCyte ZOOM系统记录细胞形态变化和生长曲线;CCK-8法检测细胞活力;乳酸脱氢酶(LDH)试剂盒检测细胞LDH释放率.CTX(0,1,5,10和20 mmol·L-1)和4-HC(0,1,5,10和20 μmol·L-1)处理SH-SY5Y细胞48 h,用5-乙炔基-2′-脱氧尿苷(EdU)染色法检测细胞增殖;免疫荧光法检测DNA双链断裂标志物γ-H2AX的含量和线粒体膜电位变化.CTX(0,1,5和10 mmol·L-1)和4-HC(0,1,5和10 μmol·L-1)处理SH-SY5Y细胞48 h,SeaHorse XF检测细胞糖酵解及线粒体氧化磷酸化水平.结果 与细胞对照组相比,CTX组和4-HC组的细胞融合率曲线逐渐下降;细胞活力显著下降(P<0.01),半数抑制浓度(IC50)分别为4.44 mmol·L-1和4.78 μmol·L-1;LDH释放率显著增加(P<0.01);EdU+细胞百分比显著降低(P<0.01);γ-H2AX+细胞百分比显著升高(P<0.05);线粒体膜电位显著降低(P<0.05);CTX和4-HC处理导致最大糖酵解能力、酵解储备、最大呼吸速率和ATP产生速率显著降低(P<0.05).结论 CTX和4-HC对SH-SY5Y细胞具有细胞毒性作用,可降低细胞活力,破坏细胞膜结构,抑制细胞增殖,其机制可能与导致细胞DNA损伤、能量代谢紊乱和线粒体功能障碍密切相关.

目的 探究微RNA(miRNA)对肺癌的影响及具体机制,为后续抗癌生物制剂制作提供理论依据.方法 肺癌组织和正常肺组织测序寻找表达差异的miRNA;搜寻肿瘤基因组谱(TCGA)数据库中肺癌患者数据验证miRNA和肺癌的关系;利用细胞计数试剂盒-8(CCK-8)、细胞侵袭迁移试验(Transwell)、细胞流式术分别检测干预miRNA后的细胞活力、侵袭力、抗凋亡能力.生信分析miRNA的靶基因并验证其功能.结果 肺癌组织和正常肺组织测序发现miR-139-5p在肺癌组织中表达降低;搜寻TCGA中的肺癌患者数据验证miR-139-5p的作用,发现miR-139-5p可能是个抑癌因子.行CCK-8、Transwell、细胞流式术发现miR-139-5p可以抑制肺癌细胞活力、侵袭力、抗凋亡能力.机制研究发现肺癌细胞的发展和自噬(auto-phagy)相关,且miR-139-5p可以直接靶向抑制自噬基因unc-51样激酶1(ULK1)而抑制肺癌发生自噬.下调ULK1基因可以使肺癌细胞活力、侵袭力、抗凋亡能力下降;而上调ULK1基因使肺癌细胞活力、侵袭力、抗凋亡能力提高.结论 MiR-139-5p通过靶向抑制ULK1而减弱非小细胞肺癌发生自噬,进而减弱自噬的致癌效应.

目的 探索一种在小数据量条件下提高医学诊断神经网络模型准确率和泛化能力的方法,解决在指甲病图像计算机辅助诊断中由于训练数据量小而导致神经网络模型性能不佳的问题.方法 提出融合实例分割与细粒度特征分类的双模型策略,采用第一届全国数字健康创新应用大赛健康医疗大数据主题赛基于图像的指甲病智能诊断模型任务数据集训练基于双模型策略的神经网络模型,该任务数据集涵盖甲母痣、甲沟炎、银屑病甲、甲真菌病、甲下出血、甲黑线、甲周疣、甲黑素瘤8类指甲病,各类别不平衡.评估双模型策略的诊断性能,并与相同软、硬件训练条件下单模型策略[图像分类模型(ResNet50、Swin Transformer)和基于快速区域卷积神经网络(Faster R-CNN)的目标检测模型]进行比较.结果 纳入任务数据集包括甲母痣210例、甲沟炎186例、银屑病甲69例、甲真菌病203例、甲下出血149例、甲黑线71例、甲周疣93例、甲黑素瘤67例共1 048例样本,其中90％的样本用于训练不同策略的模型,10％用于评估模型.基于ResNet50的图像分类模型的micro F1值为0.324,基于Swin Transformer的图像分类模型为0.381,基于Faster R-CNN的目标检测模型为0.572,基于双模型策略的Mask R-CNN+Swin Transformer模型为0.714.双模型策略预测各指甲病的准确度为甲母痣80.95％(17/21)、甲沟炎89.47％(17/19)、银屑病甲100.00％(7/7)、甲真菌病70.00％(14/20)、甲下出血73.33％(11/15)、甲黑线14.29％(1/7)、甲周疣55.56％(5/9)、甲黑素瘤42.86％(3/7).双模型策略在该任务1 000例测试集中的micro F1值为0.844.结论 双模型策略可以有效结合功能不同的模型,更好地完成小数据量训练条件下的指甲病图像智能诊断任务.