今天我们来看Cell杂志上的背靠背研究的两篇文章:

两篇文章都发表在2018年7月26日的Cell主刊杂志上,两篇文章的研究方向和分子基本相同,研究团队分别是加拿大Princess Margaret Cancer Center(Risk文)和芬兰的University of Oulu的科学家(Biology文)。


从研究主题来看,Risk文主题包括了:前列腺癌、SNP风险位点rs11672691、lncRNA PCAT19、启动子和增强子、转录因子等。研究相对更偏重基础一些,这一点我们可以从题目和GA上看出来:

这篇文章的主要研究内容是:

(1)rs11672691是前列腺癌的风险SNP位点;

(2)风险位点rs11672691所在区域具有启动子和增强子活性,产生不同的lncRNA异构体:PCAT19-long和PCAT19-short;

(3)产生不同异构体的机制是结合不同的转录因子,rs11672691位点存在时产生PCAT19-long;

(4)lncRNA PCAT19-long 可通过结合HNRNPAB调控细胞周期蛋白表达,并促进前列腺癌细胞增殖;

(5)lncRNA PCAT19-long 和rs11672691与前列腺癌患者预后的关系。


而Biology文的主题也包括了:前列腺癌、SNP风险位点(rs11672691)、lncRNA PCAT19、转录因子等研究相对更偏重临床意义一些,这一点我们也可以从题目和GA上看出来:

这篇文章的主要研究内容是:

(1)rs11672691前列腺癌的风险SNP位点,与前列腺癌进展和患者预后相关;

(2)rs11672691可影响前列腺癌进展和周围基因lncRNA  PCAT19和CEACAM21表达;

(3)rs11672691位置具有增强子活性,可影响新促癌转录因子HOXA2的结合,而HOXA2的表达与患者预后也相关。


下面我们一起来看两篇文章的研究内容:

1. 临床意义部分:rs11672691、lncRNA PCAT19(long)、CEACAM21和HOXA2与患者预后的关系:

2.功能实验部分: rs11672691、lncRNA PCAT19(long)、CEACAM21和HOXA2在前列腺癌中的作用:

上面这两部分的研究内容比较像,基本上risk文研究的主要对象是rs11672691和lncRNA PCAT19(long),而Biology文研究的对象多了CEACAM21和HOXA2两个蛋白。


3. 下面我们分别看两篇文章的机制不同部分。


首先是Risk文章,这篇文章给出了机制图:

(1)lncRNA PCAT19 long为中心的话上游就是:(2)SNP风险位点rs11672691——(3)启动子/增强子(4)转录因子(NKX3.1和YY1),下游就是(5)HNRNPAB——(6)细胞周期相关基因


下面我们把这6个因素提取出来,分别看文章具体研究的关系和主题:

a. SNP风险位点rs11672691(2)lncRNA PCAT19 long(1)

b. SNP风险位点rs11672691(2)转录因子(NKX3.1和YY1)(4)lncRNA PCAT19 long(1)

c.SNP风险位点rs11672691(2)启动子/增强子(3)lncRNA PCAT19 long(1)

d. lncRNA PCAT19 long(1)细胞周期相关基因(6)

e.  lncRNA PCAT19 long(1)HNRNPAB(5)


接下来我们看Biology文。类似的,我们也提取出下面这三个要素:

(1)lncRNA PCAT19和基因CEACAM21 

(2)SNP风险位点rs11672691

(3)转录因子HOXA2


a. SNP风险位点rs11672691(2)转录因子HOXA2(3)

b. SNP风险位点rs11672691(2)lncRNA PCAT19和基因CEACAM21 (1)


好了,由于每篇文章内容比较多,我们采用这样一起看共同点,然后分开看不同点的方式来大体了解文章的主题和结构。如果大家对两篇文章的细节感兴趣,可以下载原文查看:

  1.  Risk SNP-Mediated Promoter-Enhancer Switching Drives Prostate Cancer through lncRNA PCAT19.Cell. 2018 Jul 26;174(3):564-575.e18. doi: 10.1016/j.cell.2018.06.014. 

  2. Biology and Clinical Implications of the 19q13 Aggressive Prostate Cancer Susceptibility Locus.Cell. 2018 Jul 26;174(3):576-589.e18. doi: 10.1016/j.cell.2018.06.003.


©著作权归作者所有:来自51CTO博客作者mob604756fe4c67的原创作品,如需转载,请注明出处,否则将追究法律责任

更多相关文章

  1. 数据挖掘算法在物业设备设施管理的风险识别与防控应用
  2. 针对存储替换迁移中风险点的关键策略分析 | 运维进阶
  3. 如何应对医疗行业的数据安全风险?
  4. 让数据面临风险的十大常见云安全错误
  5. 等保2.0高风险项之安全的区域边界
  6. 使用开源项目的风险
  7. 知荐 | AEB功能安全(四):AEB风险评估
  8. 如果你真的想投资
  9. BI系统里的数据赋能与业务决策:风险告警实例篇

随机推荐

  1. 便捷搭建 Zookeeper 服务器的方法,好用,收
  2. 动画: 一个浏览器是如何工作的?
  3. 聊聊前端和后台分离那点"破"事!
  4. 使用SIR模型对2019新型冠状病毒的疫情发
  5. 动画: 快速排序 | 如何求第 K 大元素?
  6. 面试:HashMap 夺命二十一问!你都能 回答出
  7. 使用pyecharts进行数据可视化
  8. 疫情来袭,30分钟学会用python开发部署疫情
  9. 经历 | 寒冷的冬季,三本苦逼的找实习之路
  10. linux 复习