长链非编码RNA-8439促进肝癌细胞多能因子nanog的表达
摘要: 目的 探讨长链非编码RNA(lncRNA)-8439与多能因子nanog的关系,及lncRNA对肝癌细胞生长的影响.方法 在肝癌原发灶与转移灶组织中,通过lncRNA测序与生物信息学分析方法筛选与多能因子nanog、oct4、sox2相关的差异表达lncRNA.采用实时荧光定量PCR(qPCR)法检测差异表达的lncRNA在人肝癌细胞系Hep3B、Huh7细胞及对应的肿瘤悬浮球中的表达量.通过生物信息学分析明确lncRNA-8439与nanog结合的可能性,采用荧光原位杂交方法观察lncRNA-8439在Hep3B和Huh7细胞中的定位.敲低lncRNA-8439后,采用qPCR和蛋白质印迹法检测2种肝癌细胞中nanog的表达,观察悬浮球生长情况.过表达lncRNA-8439后,采用qPCR和蛋白质印迹法检测2种肝癌细胞中nanog的表达.结果 筛选到9种与多能因子相关的差异表达lncRNA,但仅lncRNA-8439在2种肝癌细胞悬浮球中呈一致的上调表达,与对应的贴壁细胞相比差异均有统计学意义(P均<0.01).LncRNA-8439的3′端有nanog结合位点.LncRNA-8439在细胞核中表达,细胞质中并无分布.敲低lncRNA-8439后,2种肝癌细胞中nanog表达量在RNA与蛋白水平均降低(P均<0.01),肝癌肿瘤悬浮球数量减少.过表达lncRNA-8439后,2种肝癌细胞中nanog表达量在RNA与蛋白水平均增加(P均<0.01).结论 LncRNA-8439通过促进多能因子nanog的表达影响肿瘤细胞的自我更新能力,可能是导致肝癌侵袭和转移的原因.
-
1974-2015年上海市杨浦区肝胆系统恶性肿瘤死亡趋势分析
目的 利用上海市杨浦区1974-2015年肝胆系统恶性肿瘤的死亡数据,分析肝癌和胆道癌症死亡趋势变化及影响因素.方法 应用Joinpoint回归模型分析上海市杨浦区肝癌和胆道癌症死亡趋势,应用年龄-时期-队列(APC)模型评估年龄和队列因素对肝癌和胆道癌症死亡率的影响.结果 1974-2015年杨浦区共报告肝癌死亡9866例,男女比例为2.7:1,粗死亡率为23.09/10万,标化死亡率为18.87/10万;胆道癌症死亡2173例,男女比例为1:1.7,粗死亡率为5.04/10万,标化死亡率为3.82/10万.Joinpoint回归分析显示1974-2015年肝癌标化死亡率呈下降趋势,而胆道癌症标化死亡率呈上升趋势.在APC模型中,随着年龄的增长,肝癌和胆道癌症的死亡风险整体呈上升趋势.总人群中1930年之前出生者肝癌和胆道癌症死亡风险呈上升趋势;1930-1949年出生的男性肝癌、男女性胆道癌症死亡风险呈下降趋势,1949年之后出生者呈上升趋势;而1930年之后出生的女性肝癌死亡风险呈下降趋势.结论 1974-2015年杨浦区肝癌死亡率呈下降趋势,男性肝癌死亡数高于女性;胆道癌症死亡率呈上升趋势,女性死亡人数高于男性;由老龄化因素造成的肝癌和胆道癌症死亡率上升;暴露因素对肝癌和胆道癌症的影响较一致,可能与当时社会经济因素有关.
关键词: 肝肿瘤 胆道肿瘤 死亡率 年龄-时期-队列模型 -
血流导向装置治疗复杂颅内动脉瘤单中心经验
目的 评价应用Tubridge和Pipeline血流导向装置治疗复杂颅内动脉瘤的安全性和有效性.方法 回顾性连续纳入我科2010年8月至2017年12月应用血流导向装置治疗的99例患者共101个复杂颅内动脉瘤的临床资料,其中91个为首次治疗,10个为复发动脉瘤.动脉瘤平均大径为(19.6±6.6)mm,94个位于前循环,7个位于后循环.61例患者的61个动脉瘤应用Tubridge血流导向装置治疗,38例患者的40个动脉瘤应用Pipeline血流导向装置治疗.术后予以临床随访与影像学随访.结果 99例患者的101个动脉瘤共置入血流导向装置116枚(Tubridge 74枚、Pipeline 42枚),均成功输送并释放.术后1例患者发生迟发性出血并死亡,2例发生缺血性并发症.88个动脉瘤获得了影像学随访,其中短期随访(0~6个月)完全闭塞率为66.7%(42/63)、中长期随访(7~18个月)完全闭塞率为73.5%(36/49)、长期随访(>18个月)完全闭塞率为89.3%(25/28).全部动脉瘤末次影像学随访完全闭塞率为72.7%(64/88),Tubridge组和Pipeline组分别为73.6%(39/53)和71.4%(25/35),差异无统计学意义(P>0.05).结论 应用Tubridge血流导向装置与Pipeline血流导向装置治疗复杂颅内动脉瘤均安全有效,但也存在一定的并发症风险.
-
低场磁共振成像技术在多囊肾病大鼠模型肾脏体积活体检测中的应用
目的 利用低场磁共振技术测量多囊肾病大鼠的肾脏体积,探讨其在多囊肾病基础研究中的应用价值.方法 将15只不同月龄的多囊肾病模型Han:SPRD大鼠麻醉后,利用低场磁共振技术测量其肾脏体积.肾脏轮廓由临床医师和设备工程师共同圈定,成像方法为T1加权成像,成像位置为肾脏横断面,利用图像处理软件计算肾脏体积.采用Pearson相关分析研究磁共振测量肾脏体积与解剖后实测体积、肾脏质量、肾脏质量/体质量比值、肾功能指标和囊肿指数的相关性.结果 低场磁共振能够清晰地观察到Han:SPRD大鼠的肾脏,15只大鼠的磁共振测量体积分别为1.51、1.77、3.54、6.45、9.34、9.38、3.72、9.51、4.95、5.31、6.47、7.01、5.39、5.08、7.31 cm3,解剖后实测体积分别为1.50、1.70、2.90、5.00、7.00、7.02、2.50、7.10、4.70、4.90、6.50、6.70、4.20、4.90、7.00 cm3.磁共振测量肾脏体积与解剖后实测体积具有高度相关性(拟合优度R2为0.9031),与肾脏质量、肾脏质量/体质量比值也存在较高的相关性(R2分别为0.9128、0.7779),与血清肌酐、尿素氮及囊肿指数均呈正相关(相关系数分别为0.86、0.85、0.61).结论 低场磁共振技术能够满足多囊肾病大鼠模型肾脏体积活体检测的需求,为多囊肾病的基础研究提供参考依据.
-
骨桥蛋白通过PI3K/Akt信号通路激活胰腺星形细胞
目的 探讨骨桥蛋白(OPN)对胰腺星形细胞(PSC)的影响及其机制.方法 构建OPN慢病毒过表达载体(OPN-O/E)并转染PSC,设置空载体转染细胞作为对照组.分别采用CCK-8实验和Transwell小室检测OPN-O/E转染及OPN-O/E转染联合Akt抑制剂LY294002(10μmol/L、50μmol/L)处理后PSC增殖活性和趋化活性,采用蛋白质印迹法检测-平滑肌肌动蛋白(-SMA)及PI3K/Akt信号通路相关蛋白的表达.结果 OPN-O/E转染上调OPN表达后,PSC增殖活性增高、趋化活性增高,细胞中磷酸化PI3K(p-PI3K)、磷酸化Akt(p-Akt)和-SMA表达水平均增高,与对照组比较差异均有统计学意义(P<0.05或P<0.01);细胞中PI3K和Akt表达水平与对照组相比差异均无统计学意义(P均>0.05).使用10μmol/L或50μmol/L Akt抑制剂LY294002干预后,细胞中-SMA及p-Akt的表达被抑制,与OPN-O/E组相比差异均有统计学意义(P均<0.01),Akt的表达无明显变化.结论 OPN通过PI3K/Akt信号通路介导PSC活化,活化后PSC的增殖及趋化活性也增强.
关键词: 骨桥蛋白 胰腺星形细胞 PI3K/Akt信号通路 -平滑肌肌动蛋白 -
基于迁移学习的全连接神经网络舌象分类方法
目的 针对深度学习在舌象分类中训练数据量大、训练设备要求高、训练时间长等问题, 提出一种基于迁移学习的全连接神经网络小样本舌象分类方法.方法 应用经Image Net海量数据集训练后的卷积Inception_v3网络提取舌象点、线等有效特征, 再使用全连接神经网络对特征进行训练分类, 将深度学习网络学习到的图像知识迁移到舌象识别任务中.利用舌象数据集进行训练、测试.结果 与典型舌象分类方法 K近邻 (KNN) 算法、支持向量机 (SVM) 算法和卷积神经网络 (CNN) 深度学习方法相比, 本实验使用的两种方法 (Inception_v3+2NN和Inception_v3+3NN) 具有较高的舌象分类识别率, 准确率分别达90.30%和93.98%, 且样本训练时间明显缩短.结论 与KNN算法、SVM算法和CNN深度学习方法相比, 基于迁移学习的全连接神经网络舌象分类方法可有效提高舌象分类的准确率、缩短网络的训练时间.
-
基于深度学习的白内障识别与分级
目的 利用深度学习方法自动提取眼底白内障特征, 构建白内障自动分类器, 并可视化分析深度网络中间层特征的逐层变换过程.方法 基于临床眼底图像, 使用深度卷积神经网络 (CNN) 从输入数据的原始表示直接学习有用的特征, 对比分析CNN自动提取的特征与预定义特征的性能表现.然后利用反卷积神经网络 (DN) 量化分析CNN各个中间层的特征, 进一步研究输入图像中对CNN的预测贡献大的像素集, 探究CNN表征白内障的具体过程.结果 使用深度学习方法构建的分类器在四分类任务中达到0.818 6的平均准确率.与现有的预定义特征集相比, 利用深度CNN自动提取的特征集能提供更好的白内障特征表示.CNN中间层特征呈现从低级抽象到高级抽象的分层变换, 如梯度变化到边缘, 然后到边缘状发散结构的组合, 后到血管和视神经盘信息的高级抽象, 这种变换过程与临床检测白内障的诊断标准相吻合.结论 基于深度学习的分类器在性能表现上优于现有分类器.该方法对检测其他眼病也可能具有潜在的应用前景.
-
基于多维度特征融合的深度学习骨龄评估模型
目的 通过基于特征提取的深度卷积神经网络,结合关键区域特征和人口学信息,评估儿童骨龄.方法 自动识别左手 X 线图像数据,对图像进行预处理,使用基于深度神经网络的 X 线图像分析方法,实现左手关节骨龄 17 个关键区域特征的自动提取,再将骨龄影像特征与临床大数据(人口统计、性别)融合训练骨龄评估模型,测试模型的评估效能.结果 使用基于深度学习的特征区域提取方法比传统图像分析方法可以更好地提取特征信息,结合临床信息从另一维度补充了骨龄发育信息.基于多维度数据特征融合的骨龄评估模型检测得到的骨龄平均绝对误差为 0.455,优于传统方法和仅端到端的深度学习方法.结论 相较传统的机器学习特征提取方法,基于特征提取的深度卷积神经网络在骨龄回归模型上有更好的表现,结合人口和性别信息可进一步提升基于图像的骨龄预测准确率.
-
深度学习图像分割算法在胃癌病理切片中的可行性分析
目的 采用基于深度学习的胃癌病理切片分割算法实现对癌症区域的识别.方法 以U-Net网络为基本架构设计更深层次的胃癌病理切片分割算法模型Deeper U-Net (DU-Net) .采用区域重叠分割法将数据集分割成若干小块图片, 然后利用预先训练好的DU-Net网络模型对分割的小图片块进行初次分割, 并使用图片分类器清除假阳性样本, 重新合成新样本.采用重复学习的方法使用新样本进行多次重复训练, 将得到的结果应用全连接条件随机场 (CRF) 进行后续处理.终得到胃癌分割图片并验证结果.结果 经过3次重复学习后, DU-Net网络模型的平均精度为91.5%, 平均交叉联合度量 (IoU) 为88.4%;相比于未经重复学习的基础DU-Net模型, 其平均精度提升了5.6%, 平均IoU提升了2.9%.结论 基于深度学习的胃癌病理切片分割算法实现了精准的分割, 提高了模型的泛化能力和鲁棒性, 可用于辅助胃癌病理诊断.
-
基于神经网络的显微高光谱乳腺癌组织图像研究
目的 探索神经网络结合显微高光谱成像识别乳腺癌组织的可行性和应用价值.方法 采用显微高光谱成像技术采集乳腺癌组织的图像数据, 使用基于神经网络的显微高光谱乳腺癌组织图像分析方法, 实现乳腺癌组织的自动分类和区域划分.提出数据预处理方法以提高图像的信噪比, 利用神经网络训练图谱信息识别乳腺组织病变区域并突显以利于可视化.结果 基于神经网络的显微高光谱的乳腺组织识别分析方法同时利用了图谱两个方面的特征, 获得了比传统彩色病理图像更好的识别结果.结论 基于神经网络的显微高光谱乳腺组织图像分析方法可以提供特征性的样本信息, 是传统彩色病理图像的有效补充.在神经网络分析方法的支持下, 将显微高光谱成像技术应用于乳腺癌组织的分析具有一定的应用前景.
-
基于网格的运动统计特征配准算法在医疗服务机器人中的应用
目的 针对医疗服务机器人目标识别中特征匹配准确率低、实时性差等问题, 提出一种基于评分框架的基于网格的运动统计 (SF-GMS) 特征配准算法.方法 SF-GMS算法使用网格对特征点邻域进行分割, 统计每个邻域中特征点的数量, 设置评分框架函数, 根据邻域特征点数量和评分阈值判断特征匹配准确性.结果和结论 与典型性特征配准算法随机采样一致性 (RANSAC) 算法相比, SF-GMS算法能有效提高特征成功匹配率, 并具有较好的实时性;对光照视角、遮挡、仿射、比例尺度缩放和旋转等环境变化具有较好的稳定性, 能满足模拟医院病房场景下服务机器人自主导航的需求.