Name: establishing a competing risk regression nomogram model for survival data
Uploaded: 2020-10-23T13:00:00
Description: Watch this Scientific Journal Video about Establishing a Competing Risk Regression Nomogram Model for Survival Data at JoVE.com

De studie werd ondersteund door subsidies van het algemene programma van de Zhejiang Province Natural Science Foundation (subsidienummer LY19H160020) en het kernprogramma van het Jinhua Municipal Science & Technology Bureau (subsidienummer 2016-3-005, 2018-3-001d en 2019-3-013).

Het onderzoeksprotocol werd goedgekeurd door de Ethische Commissie van het Jinhua Ziekenhuis, Zhejiang University School of Medicine. Voor dit experiment werden de cases verkregen uit de Surveillance, Epidemiology en End Results (SEER) database. SEER is een open-access database die demografische, incidentie- en overlevingsgegevens bevat uit 18 op de bevolking gebaseerde kankerregisters. We hebben ons geregistreerd op de SEER-website en een borgbrief ondertekend om de onderzoeksgegevens te verkrijgen (12296-nov2018).
...

<ol>
	<li>Fine, J. P., Gray, R. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+proportional+hazards+model+for+the+subdistribution+of+a+competing+risk.">A proportional hazards model for the subdistribution of a competing risk.</a> Journal of the American Statistical Association. 94 (446), 496-509 (1999).</li><li>Fu, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Real-world+impact+of+non-breast+cancer-specific+death+on+overall+survival+in+resectable+breast+cancer.">Real-world impact of non-breast cancer-specific death on overall survival in resectable breast cancer.</a> Cancer. 123 (13), 2432-2443 (2017).</li><li>Kim, H. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cumulative+incidence+in+competing+risks+data+and+competing+risks+regression+analysis.">Cumulative incidence in competing risks data and competing risks regression analysis.</a> Clinical Cancer Research. 13, 559-565 (2007).</li><li>Balachandran, V. P., Gonen, M., Smith, J. J., DeMatteo, R. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Nomograms+in+oncology:+more+than+meets+the+eye.">Nomograms in oncology: more than meets the eye.</a> Lancet Oncology. 16 (4), 173-180 (2015).</li><li>Han, D. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Nomogram+predicting+long-term+survival+after+d2+gastrectomy+for+gastric+cancer.">Nomogram predicting long-term survival after d2 gastrectomy for gastric cancer.</a> Journal of Clinical Oncology. 30 (31), 3834-3840 (2012).</li><li>Karakiewicz, P. I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multi-institutional+validation+of+a+new+renal+cancer-specific+survival+nomogram.">Multi-institutional validation of a new renal cancer-specific survival nomogram.</a> Journal of Clinical Oncology. 25 (11), 1316-1322 (2007).</li><li>Liang, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Development+and+validation+of+a+nomogram+for+predicting+survival+in+patients+with+resected+non-small-cell+lung+cancer.">Development and validation of a nomogram for predicting survival in patients with resected non-small-cell lung cancer.</a> Journal of Clinical Oncology. 33 (8), 861-869 (2015).</li><li>Valentini, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Nomograms+for+predicting+local+recurrence,+distant+metastases,+and+overall+survival+for+patients+with+locally+advanced+rectal+cancer+on+the+basis+of+European+randomized+clinical+trials.">Nomograms for predicting local recurrence, distant metastases, and overall survival for patients with locally advanced rectal cancer on the basis of European randomized clinical trials.</a> Journal of Clinical Oncology. 29 (23), 3163-3172 (2011).</li><li>Iasonos, A., Schrag, D., Raj, G. V., Panageas, K. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=How+to+build+and+interpret+a+nomogram+for+cancer+prognosis.">How to build and interpret a nomogram for cancer prognosis.</a> Journal of Clinical Oncology. 26 (8), 1364-1370 (2008).</li><li>Chisholm, J. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Prognostic+factors+after+relapse+in+nonmetastatic+rhabdomyosarcoma:+a+nomogram+to+better+define+patients+who+can+be+salvaged+with+further+therapy.">Prognostic factors after relapse in nonmetastatic rhabdomyosarcoma: a nomogram to better define patients who can be salvaged with further therapy.</a> Journal of Clinical Oncology. 29 (10), 1319-1325 (2011).</li><li>Brockman, J. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Nomogram+Predicting+Prostate+Cancer-specific+Mortality+for+Men+with+Biochemical+Recurrence+After+Radical+Prostatectomy.">Nomogram Predicting Prostate Cancer-specific Mortality for Men with Biochemical Recurrence After Radical Prostatectomy.</a> European Urology. 67 (6), 1160-1167 (2015).</li><li>Zhou, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Nomogram+to+Predict+Cause-Specific+Mortality+in+Patients+With+Surgically+Resected+Stage+I+Non-Small-Cell+Lung+Cancer:+A+Competing+Risk+Analysis.">Nomogram to Predict Cause-Specific Mortality in Patients With Surgically Resected Stage I Non-Small-Cell Lung Cancer: A Competing Risk Analysis.</a> Clinical Lung Cancer. 19 (2), 195-203 (2018).</li><li>Fu, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=De-escalating+chemotherapy+for+stage+II+colon+cancer.">De-escalating chemotherapy for stage II colon cancer.</a> Therapeutic Advances in Gastroenterology. 12, 1756284819867553 (2019).</li><li>Chen, D., Li, J., Chong, J. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Hazards+regression+for+freemium+products+and+services:+a+competing+risks+approach.">Hazards regression for freemium products and services: a competing risks approach.</a> Journal of Statistical Computation and Simulation. 87 (9), 1863-1876 (2017).</li><li>. rms: Regression Modeling Strategies. R package version 5.1-2 Available from: <a target="_blank" href="https://CRAN.R-project.org/package=rms">https://CRAN.R-project.org/package=rms</a> (2018)</li><li>. cmprsk: Subdistribution Analysis of Competing Risks. R package version 2.2-7 Available from: <a target="_blank" href="https://CRAN.R-project.org/package=cmprsk">https://CRAN.R-project.org/package=cmprsk</a> (2014)</li><li>Scrucca, L., Santucci, A., Aversa, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Regression+modeling+of+competing+risk+using+R:+an+in+depth+guide+for+clinicians.">Regression modeling of competing risk using R: an in depth guide for clinicians.</a> Bone Marrow Transplantation. 45 (9), 1388-1395 (2010).</li><li>Zhang, Z., Geskus, R. B., Kattan, M. W., Zhang, H., Liu, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Nomogram+for+survival+analysis+in+the+presence+of+competing+risks.">Nomogram for survival analysis in the presence of competing risks.</a> Annals in Translational Medicine. 5 (20), 403 (2017).</li><li>Geskus, R. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cause-specific+cumulative+incidence+estimation+and+the+fine+and+gray+model+under+both+left+truncation+and+right+censoring.">Cause-specific cumulative incidence estimation and the fine and gray model under both left truncation and right censoring.</a> Biometrics. 67 (1), 39-49 (2011).</li><li>Fu, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Young-onset+breast+cancer:+a+poor+prognosis+only+exists+in+low-risk+patients.">Young-onset breast cancer: a poor prognosis only exists in low-risk patients.</a> Journal of Cancer. 10 (14), 3124-3132 (2019).</li><li>de Glas, N. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Performing+Survival+Analyses+in+the+Presence+of+Competing+Risks:+A+Clinical+Example+in+Older+Breast+Cancer+Patients.">Performing Survival Analyses in the Presence of Competing Risks: A Clinical Example in Older Breast Cancer Patients.</a> Journal of the National Cancer Institute. 108 (5), (2016).</li></ol>

Het algemene doel van de huidige studie was om een specifiek nomogram met concurrerende risico's op te stellen dat echte ziekten zou kunnen beschrijven en om een handig individueel beoordelingsmodel te ontwikkelen voor clinici om behandelingsbeslissingen te benaderen. Hier bieden we een stapsgewijze zelfstudie voor het opstellen van nomogrammen op basis van het Cox regressiemodel en het concurrerende risicoregressiemodel en het verder uitvoeren van subgroepanalyse. Zhang et al.18 introduceerde een...

De tijd tot event survival analyse is heel gebruikelijk in klinische studies. Overlevingsgegevens meten de tijdsspanne vanaf de begintijd tot het optreden van het geval van belang, maar het optreden van het geval van belang wordt vaak uitgesloten door een andere gebeurtenis. Als er meer dan één type eindpunt aanwezig is, worden ze concurrerende risicopunten genoemd. In dit geval werkt de standaardrisicoanalyse (d.w.z. Cox proportioneel oorzaak-specifiek gevarenmodel) vaak niet goed omdat personen die een ander type gebeurtenis ervaren, worden gecensureerd. Personen die een deelnemend evenement ervaren, blijven vaak in de risicoset, omdat de concurrerende risico's meestal niet onafhankelijk zijn. Daarom bestudeerden Fine en Gray1 de schatting van het regressiemodel voor de subverdeling van een concurrerend risico. In een concurrerende risico-instelling kunnen drie verschillende soorten evenementen worden gediscrimineerd.
Men meet de algehele overleving (OS) door een direct klinisch voordeel aan te tonen van nieuwe behandelingsmethoden voor een ziekte. OS meet de overlevingstijd vanaf het tijdstip van oorsprong (d.w.z. tijdstip van diagnose of behandeling) tot het tijdstip van overlijden als gevolg van een oorzaak en evalueert over het algemeen het absolute risico op overlijden, waardoor de doodsoorzaken (bijv. kankerspecifieke dood (CSD) of niet-kankerspecifieke dood (niet-CSD))2niet worden gedifferentieerd. OS wordt daarom beschouwd als het belangrijkste eindpunt. De gebeurtenissen van belang zijn vaak kanker gerelateerd, terwijl de niet-kanker-specifieke gebeurtenissen, waaronder hart-en vaatziekten, verkeersongevallen of andere niet-gerelateerde oorzaken, worden beschouwd als concurrerende gebeurtenissen. Kwaadaardige patiënten met een gunstige prognose, die naar verwachting langer zullen overleven, lopen vaak een groter risico op niet-CSD. Dat wil zeggen, het OS zal worden verdund door andere doodsoorzaken en de werkelijke effectiviteit van klinische behandeling niet correct interpreteren. Daarom is OS mogelijk niet de optimale maatregel voor de toegang tot de resultaten van ziekte3. Dergelijke vooroordelen kunnen worden gecorrigeerd door het concurrerende risicoregressiemodel.
Er zijn twee belangrijke methoden voor concurrerende risicogegevens: oorzaak-specifieke gevarenmodellen (Cox-modellen) en subdistributierisicomodellen (concurrerende modellen). In het volgende protocol presenteren we twee methoden om nomogrammen te genereren op basis van het oorzaakspecifieke gevarenmodel en het subdistributiegevaarsmodel. Het oorzaakspecifieke gevarenmodel kan worden ingevoerd om te passen in het Cox proportionele gevarenmodel, dat proefpersonen die het deelnemende evenement ervaren, behandelt als gecensureerd op het moment dat het deelnemende evenement plaatsvond. In het subdistributiegevaarsmodel dat in 1999 door Fine en Gray1 werd geïntroduceerd, kunnen drie verschillende soorten evenementen worden gediscrimineerd en individuen die een deelnemend evenement ervaren, blijven voor altijd op het risico.
Een nomogram is een wiskundige weergave van de relatie tussen drie of meer variabelen4. Medische nomogrammen beschouwen biologische en klinische gebeurtenissen als variabelen (bijvoorbeeld tumorkwaliteit en leeftijd van de patiënt) en genereren waarschijnlijkheden van een klinische gebeurtenis (bijvoorbeeld kankerrecidief of overlijden) die grafisch wordt afgebeeld als een statistisch prognostisch model voor een bepaald individu. Over het algemeen wordt een nomogram geformuleerd op basis van de resultaten van het Cox proportionele gevarenmodel5,6,7,8,9,10.
Wanneer er echter concurrerende risico's aanwezig zijn, kan een nomogram op basis van het Cox-model niet goed presteren. Hoewel verschillende eerdere studies11,12,13,14 het concurrerende risicoknoop knobbel hebben toegepast om de waarschijnlijkheid van CSD te schatten, hebben weinig studies beschreven hoe het nomogram kan worden vastgesteld op basis van een concurrerend risicoregressiemodel, en er is geen bestaand pakket beschikbaar om dit te bereiken. Daarom zal de onderstaande methode een stapsgewijs protocol bieden om een specifiek nomogram met concurrerende risico's op te stellen op basis van een concurrerend risicoregressiemodel en een schatting van de risicoscore om artsen te helpen bij de besluitvorming over behandelingen.

establishing a competing risk regression nomogram model for survival data

De Kaplan-Meier methode en Cox proportionele gevaren regressie model zijn de meest voorkomende analyses in het overlevingskader. Deze zijn relatief eenvoudig toe te passen en te interpreteren en kunnen visueel worden afgebeeld. Wanneer echter concurrerende gebeurtenissen (bijvoorbeeld cardiovasculaire en cerebrovasculaire ongevallen, behandelingsgerelateerde sterfgevallen, verkeersongevallen) aanwezig zijn, moeten de standaardoverlevingsmethoden met de nodige voorzichtigheid worden toegepast en kunnen gegevens in de echte wereld niet correct worden geïnterpreteerd. Het kan wenselijk zijn om verschillende soorten gebeurtenissen die kunnen leiden tot het falen te onderscheiden en ze anders te behandelen in de analyse. Hier richten de methoden zich op het gebruik van het concurrerende regressiemodel om significante prognostische factoren of risicofactoren te identificeren wanneer concurrerende gebeurtenissen aanwezig zijn. Daarnaast worden nomogrammen op basis van een proportioneel risicoregressiemodel en een concurrerend regressiemodel opgesteld om artsen te helpen individuele beoordelingen en risicostraalificaties te maken om het effect van controversiële factoren op de prognose te verklaren.

De kenmerken van de overleving van het voorbeeldcohort In het voorbeeld cohort werden in totaal 8.550 in aanmerking komende patiënten in de analyse opgenomen en de mediane follow-uptijd was 88 maanden (bereik, 1 tot 95 maanden). In totaal 679 (7,94%) patiënten jonger waren dan 40 jaar en 7.871 (92,06%) patiënten ouder waren dan 40. Aan het einde van de proef, 7.483 (87,52%) patiënten nog in leven waren, 662 (7,74%) overleden als gevolg van borstkanker, en 405 (4,74%) patiënten stierven als gevolg...

Watch this Scientific Journal Video about Establishing a Competing Risk Regression Nomogram Model for Survival Data at JoVE.com

Establishing a Competing Risk Regression Nomogram Model for Survival Data

Hier gepresenteerd is een protocol om nomogrammen te bouwen op basis van de Cox proportionele gevaren regressie model en concurrerende risico regressie model. De concurrerende methode is een meer rationele methode toe te passen wanneer concurrerende gebeurtenissen aanwezig zijn in de overlevingsanalyse.

Vaststelling van een concurrerende risico regressie Nomogram Model voor Survival Data

The Kaplan&#8211;Meier method and Cox proportional hazards regression model are the most common analyses in the survival framework. These are relatively ...

Dit is het protocol voor de normale subsidies op basis van het concurrerende risicoregressiemodel, wat een rationelere methode is om toe te passen wanneer de concurrerende gebeurtenissen zoals de verkeersongevallen worden doorgegeven in de overlevingsanalyse. Individuen die onze concurrerende evenementen hebben meegemaakt, herinneren vaak aan de risico's die, omdat de concurrerende risico's meestal niet onafhankelijk zijn. De concurrerende normale subsidie is meer geschikt om de waarschijnlijkheid van het testen van gebeurtenissen voor individuen in analyse te evalueren.Na het installeren van de RMS en concurrerende risico R-pakketten, laad ze en importeer ze de cohortgegevens Om het Cox proportionele gevaren regressiemodel vast te stellen, past u het model op de gegevens met behulp van de CPH-functie en ontwikkelt u vervolgens een Cox regressie nomogram, waarbij de voorspelde overlevingskans van twee jaar als voorbeeld wordt genomen. Gebruik het metapakket in R om de risicoscore te berekenen en een bosperceel te tekenen. Na het installeren en laden van de R-pakketten, verkrijg je de groepsrisicoscore of GRS en verdeel je het cohort in drie subgroepen.Teken vervolgens de forestplot, verkrijg de risicoverhouding lager competentieinterval en het bovenste betrouwbaarheidsinterval met de CRR-functie. Om het concurrerende risicoregressiemodel vast te stellen, begin met het plaatsen van prognostische variabelen in een matrix. Gebruik de functie Cbind om de variabelen per kolommen te concateeren en deze in het model te passen.Gebruik vervolgens de nomogramfunctie om Cox Nome te construeren. Download de functie cumulatieve basislijnincidenten of CIF en vervang het X-bèta- en X-punt van het concurrerende risicoregressiemodel. Vervang het totaal X-punt in X-rol, bereken vervolgens de X-score en plot het nomogram.De vergelijking voor de X-score- en X-spoorrelatie kan worden berekend op basis van de intrinsieke toeschrijving van het concurrerende model. CIF zero betekent basislijn CIF, dat wordt berekend door de functie CRR voorspellen. In het voorbeeld cohort werden in totaal 8, 550 in aanmerking komende patiënten in de analyse opgenomen en de mediane follow-uptijd 88 maanden.De cumulatieve incidenties van tumordood en geen tumordood en concurrerende gebeurtenissen waren door de Methode Kaplan-Meier, en de concurrerende functie van de risicoregressie, respectievelijk. De som van de cumulatieve incidenties van tumordood en geen tumordood, berekend met de Kaplan-Meier-methode, was hoger dan de som van de schattingen van alle doodsoorzaken, die gelijk was aan de cumulatieve incidenten van kankerspecifieke dood wanneer een concurrerende methode werd gebruikt. Een nomogram werd gebouwd met behulp van de Cox proportionele regressie model op basis van belangrijke factoren, waaronder burgerlijke staat, ras, histologische type, gedifferentieerde rang, T-classificatie en N-classificatie.Een nomogram werd ook gebouwd met behulp van het concurrerende risico regressie model. Op basis van de risicoscore werd het cohort ingedeeld in drie subgroepen: laag risico, gemiddeld risico en hoog risico. Het bosperceel werd gebruikt om duidelijk de interactie tussen de groepsrisicoscore en de specifieke factor weer te geven.Bij het overwegen van leeftijd vertoonde alleen de groep met een laag risico een slechtere prognose voor jongere vrouwen, wat aangeeft dat jonge leeftijd kan fungeren als een beschermende factor van prognose in middelgrote en risicogroepen. Bij het proberen van dit protocol is het belangrijk om volledig te begrijpen van de verschillende overleven modellen in de 10 tot gebeurtenis analyse en de tools zijn goed onder de knie voor geïndividualiseerde begeleiding. De modelprestaties worden beoordeeld in termen van de discriminatie en de prestaties van het kaliber rantsoen.Na deze procedure kan de kalibratiecurve en hetzelfde zijn, prestaties zijn om de efficiëntie van de concurrerende normale subsidie te valideren.

Research

JoVE Journal

Cancer Research

Establishing Dual Resistance to EGFR-TKI and MET-TKI in Lung Adenocarcinoma Cells In Vitro with a 2-step Dose-escalation Procedure

Establishing Dual Resistance to EGFR-TKI and MET-TKI in Lung Adenocarcinoma Cells In Vitro with a 2-step Dose-escalation Procedure

Tot oprichting van dubbele weerstand tegen EGFR-TKI en ONTMOETTE-TKI in Lung adenocarcinoom cellen In Vitro met een 2-step dosis-escalatie-Procedure

Drug resistance is a major challenge in cancer therapy. The generation of resistant sublines in vitro is necessary for discovering novel mechanisms to ...

Morphology-Based Distinction Between Healthy and Pathological Cells Utilizing Fourier Transforms and Self-Organizing Maps

Morfologie-gebaseerd onderscheid tussen gezonde en pathologische cellen met behulp van Fouriertransformaties en zelf-organiserende kaarten

The appearance and the movements of immune cells are driven by their environment. As a reaction to a pathogen invasion, the immune cells are recruited to ...

Establishing Cell Lines Overexpressing DR3 to Assess the Apoptotic Response to Anti-mitotic Therapeutics

Tot oprichting van de cellijnen Overexpressing DR3 om te beoordelen van de Apoptotic reactie op anti-mitotische Therapeutics

Studying the function of a gene of interest can be achieved by manipulating its level of expression, such as decreasing its expression with knockdown cell ...

Evaluation of Colorectal Cancer Risk and Prevalence by Stool DNA Integrity Detection

Evaluatie van colorectale kanker risico en prevalentie door ontlasting DNA Integriteit Detectie

Nowadays, stool DNA can be isolated and analyzed by several methods. The long fragments of DNA in stool can be detected by a qPCR assay, which provides a ...

Studying Triple Negative Breast Cancer Using Orthotopic Breast Cancer Model

Studeren Triple Negatieve Borstkanker met behulp van Orthotopische Borstkanker Model

Triple-negative breast cancer (TNBC) is an aggressive breast cancer subtype with limited therapeutic options. When compared to patients with less ...

A Data Integration Workflow to Identify Drug Combinations Targeting Synthetic Lethal Interactions

Een workflow voor gegevensintegratie om medicijncombinaties te identificeren die gericht zijn op synthetische dodelijke interacties

A synthetic lethal interaction between two genes is given when knock-out of either one of the two genes does not affect cell viability but knock-out of ...

A 3D Spheroid Model for Glioblastoma

Een 3D Spheroid Model voor Glioblastoom

Two-dimensional (2D) cell cultures do not mimic in vivo tumor growth satisfactorily. Therefore, three-dimensional (3D) culture spheroid models were ...

Detection of Cell-Free DNA in Blood Plasma Samples of Cancer Patients

Detectie van celvrij DNA in bloedplasmamonsters van kankerpatiënten

Identifying mutations in tumors of cancer patients is a very important step in disease management. These mutations serve as biomarkers for tumor diagnosis ...

Nuclei Isolation from Fresh Frozen Brain Tumors for Single-Nucleus RNA-seq and ATAC-seq

Kernisolatie van vers bevroren hersentumoren voor single-nucleus RNA-seq en ATAC-seq

Adult diffuse gliomas exhibit inter- and intra-tumor heterogeneity. Until recently, the majority of large-scale molecular profiling efforts have focused ...