Introducción

El cáncer de ovario fue la quinta causa principal de mortalidad relacionada con el cáncer en mujeres en 2015 en los Estados Unidos, con 295 414 casos de diagnóstico nuevo en todo el mundo en 2018 y 184 799 muertes relacionadas con el cáncer en todo el mundo en 2018 (1,2).Los análisis estadísticos indican que 90% de los casos de cáncer de ovario son epiteliales, siendo el carcinoma seroso el tipo patológico más común, con una tasa de supervivencia a 5 años de 43% (3). El tratamiento convencional para el cáncer epitelialovariano incluye cirugía citorreductora seguida de quimioterapia basada en platino y taxanos (4).Sin embargo, el desarrollo de resistencia a la quimioterapia provoca recurrencia después del tratamiento (5). Se requiere urgentemente un marcador predictivo preciso y sólido de resistencia a la quimiorresistencia para mejorar el tratamiento individualizado y mejorar el pronóstico y la supervivencia de los pacientes con cáncer de ovario epitelial. Estudios previos han identificado varios biomarcadores asociados a la resistencia a la quimiorresistencia, como la firma de reactivestroma, marcadores de células madre cancerosas y miRNAs (6-10), pero no se han utilizado en la práctica clínica. Los predictores eficaces de resistencia primaria a la quimioterapia basada en platino proporcionarían estrategias novedosas para el tratamiento de pacientes con cáncer de ovario epitelial.

La desregulación de la expresión genómica desempeña un papel crítico en la génesis tumoral y la quimiorresistencia en el cáncer epitelialovariano. El progreso previo en el desarrollo de terapias basadas en genómica y dirigidas a la precisión ha proporcionado estrategias novedosas para tratar a pacientes con cáncer de ovario (11). Sin embargo, los estudios previos solo se han centrado en los niveles de expresión génica en lugar de investigar cómo el empalme alternativo puede afectar la arquitectura de transcripción (12,13).

AS es un proceso de modificación post-transcripcional que produce una transcripción variable de ARNm maduro a partir de un solo gen que elimina diferentes regiones intrónicas o exónicas del ARNr precursor y posteriormente combina los exones empalmados (14,15). AS genera ARNM con diferentes estabilidades o potenciales de codificación,lo que permite el control cuantitativo de la producción de proteínas y el logro de funciones de proteínas difusas (16). Desempeña un papel crucial en las funciones musculares especializadas (17), la angiogénesis (18) y los procesos patológicos, incluida la pérdida auditiva (19), la enfermedad de Huntington (20) y el cáncer (21). La evidencia emergente sugiere que la EA está asociada con procesos tumorígenos, como proliferación tumoral,invasión, metástasis y apoptosis (22). Los factores de empalme realizan el empalme vinculando a los ARNm previos, influyendo en la selección de exones y seleccionando el sitio de corte (23). Los factores de empalme se expresan de forma diferente entre los tejidos normales y cancerosos (24,25). Por lo tanto, identificar los perfiles de señal y explorar los factores de empalme puede revelar marcadores de cáncer útiles.

Un análisis de EA en cáncer se ha hecho posible con el advenimiento de técnicas de secuenciación profunda que permiten descubrir biomarcadores pronósticos y terapéuticos previamente desconocidos para pacientes con cáncer. Se han identificado factores pronósticos basados en eventos de EA en pacientes con diversos tipos de cáncer, incluido el cáncer ovariano (26-28). Sin embargo,hasta donde sabemos, no se han realizado análisis sistemáticos de la quimiorresistencia asociada al cáncer de ovario, a pesar de que se requieren con urgencia debido al papel principal de la quimiorresistencia en la recidiva de la enfermedad. En el presente estudio, se utilizaron los datos de secuenciación de ARN (ARN-seq) del Atlas del Genoma del Cáncer(TCGA) para investigar si los eventos AS podían servir como predictores de resistencia a la quimioterapia primaria basada en platino en el carcinoma de ovario seroso.

Los materiales y métodos

Adquisición de datos

COMO perfiles se analizaron utilizando la herramienta de empalme TCGA Spliceseq versión 1 proporcionada por el MD Anderson Cancer Center(https://bioinformatics.mdanderson.org/TCGASpliceSeq/)(29). Siete tipos de eventos AS se cuantificaron utilizando el valor de porcentaje empalmado (PSI): Exclusión de exones, promotor alternativo(AP), terminador alternativo (AT), sitio aceptador alternativo (AA), sitio donante alternativo (AD), intron retenido (RI) y exones mutuamente excluyentes (ME). Los valores de PSI para los siete tipos de EA en el cistadenoma seroso ovárico (VO) se descargaron de los empalmes TCGA SEQ. Se incluyeron eventos con desviación estándar>0,05 y un valor PSI >75%. La información clínica para la cohorte TCGA-OV se obtuvo de la base de datos TCGADAT (https://portal.gdc.cancer.gov/projects/TCGA-OV) (30). En el presente estudio se incluyeron individuos que cumplían los siguientes criterios: i) Pacientes diagnosticados con cáncer de ovario seroso; ii) pacientes que recibieron quimioterapia basada en platino; y iii) pacientes con respuestas bien definidas a la quimioterapia. En el presente estudio se excluyeron los pacientes sin información de EA. Un total de 63 factores de empalme y su información se obtuvieron de la ayuda de empalme 2 (31). Los datos de expresión de ARNm de nivel tres de factores de multiplicación también se adquirieron de la base de datos TCGA.

Análisis estadístico

Se realizaron análisis de regresión logística univariada para evaluar el valor predictivo de los eventos de EA para la resistencia a la quimioterapia primaria basada en el platino. Posteriormente, los 30 eventos de EA más significativos de los análisis univariados se incluyeron en análisis de regresión logística multivariada para crear modelos de predicción para cada tipo de evento de EA individualmente y para todos los tipos de eventos de EA combinados. El criterio de información de Akaike se aplicó para seleccionar el modelo de riesgo más adecuado (32). La precisión de predicción de los modelos de riesgo se evaluó mediante el análisis de las características operativas del receptor (ROC). Los pacientes se clasificaron en grupos de riesgo alto y bajo, con la puntuación mediana como valor de corte. Se realizó un análisis de Kaplan-Meier y una prueba de rango logarítmico para estimar la diferencia en el tiempo de supervivencia general (SG) entre los grupos de alto y bajo riesgo.

Los genes del factor de empalme asociados a resistencia se identificaron mediante análisis de regresión logística univariada. La prueba de correlación de Pearson se utilizó para determinar si la expresión de los genes del factor de multiplicación estaba significativamente asociada con los PSIvaluos de los eventos AS asociados a la resistencia. El mapa de red regulatorio se construyó en base a los factores de empalme y eventos AS significativamente correlacionados.

Todos los análisis se realizaron utilizando R (versión 3.5.2;www.r-project.org). Se consideró que P<0,05 indicaba una diferencia estadísticamente significativa, a menos que se especificara otra. Las diferencias en los parámetros clínicopatológicos entre los grupos sensibles y quimiorresistentes, incluidos la edad,el grado, la etapa de la FIGO (Federación Internacional de Ginecología y Obstetricia) y el estado de citorreducción (33), se comprobaron mediante la prueba t no emparejada o la prueba de la χ2.

Se utilizaron procedimientos

R para realizar los análisis logísticos univariados y multivarios y construir modelos de predicción de resistencia química. Los gráficos de alteración se generaron utilizando UpSetR (versión 1.4.0;http://cran.r-project.org/web/packages/UpSetR/index.html).El paquete pROC (versión 1.13.0; http://cran.r-project.org/src/contrib/Archive/pROC/) se utilizó para crear curvas ROC y calcular el área bajo la curva (AUC). Herramienta de Resumen de Resultados de Anotación Funcional versión 6.8 (https://david.ncifcrf.gov/summary.jsp) de la Base de datos para Anotación, Visualización y Detección Integrada(versión 6.8) se utilizó para el análisis de Ontología Génica (GO) (http://geneontology.org) de los genes correspondientes (34). La red de interacción génica y la red de correlación se visualizaron mediante Cytoscape (versión 3.7.1; http://cytoscape.org).

Resultados

Análisis exhaustivo de eventos de EA en los datos de OV

El proceso general del presente estudio se describe en la Fig. 1A.Se seleccionaron firmas de eventos integradas para 320 pacientes con VO de la base de datos del CTGA (Tabla I). Se identificaron siete tipos de eventos AS, como se muestra en la Fig. 1B. Se detectaron un total de 22.036 eventos AS en 7.404 genes, lo que sugiere que un gen podría haber tenido más de uno como evento. Se detectaron los siguientes números de eventos AS para cada tipo: 8.280 eventos ES en 3.835 genes; 1.535 eventos RIEV en 1.073 genes; 4.841 eventos AP en 2.196 genes; 3.806 eventos AT en 1.801 genes; 1.735 eventos AD en 1.291 genes; 1.741 eventos AAA en 1.357 genes; y 98 eventos ME en 96 genes (Fig. 1C). El tipo más común de eventos AS fue ES, seguido de AP y AT.

Eventos asociados a resistencia a la quimiorresistencia en los datos de OV

Los análisis de regresión logística univariada de datos OVD de la base de datos TCGA identificaron 915 eventos asociados a resistencia a la quimioterapia en pacientes con OV (P< 0,05;Tabla SI). De estos, 151 eventos se asociaron significativamente con resistencia a la quimioterapia (P<0,01; Tabla SII), 407 eventos AS fueron factores de riesgo de resistencia a la quimioterapia y 508 fueron factores protectores de resistencia a la quimioterapia (OR<1). La distribución de 677 genes implicados en los eventos 915AS se visualizó en la gráfica de alteración (Fig. 2A). Un total de 640 genes tenían solo un tipo de evento AS asociado con la quimiorresistencia, mientras que 37 gen tenían más de un tipo de evento AS asociado con ellos. Porejemplo, los eventos ES, AA y AD en GPR56 se asociaron significativamente con la resistencia a la quimiorresistencia (TableSI).

El análisis bioinformático de GO se realizó en 677 genes con eventos AS. En el análisis GO se identificaron un total de 13 procesos biológicos y 6 funciones moleculares (P<0,01;Fig. 2B). Estos genes se asociaron significativamente con la «unión a proteínas» y la «regulación negativa de la transcripción a partir del promotor de la ARN polimerasa II». El análisis de la red de interacción génica para estos 677 genes reveló ahub que incluía RHOA, POLR2G, RPS9, DYNLL1 y RPL13A (los 5 genes principales con mayor grado de conectividad) (Fig. 2C).

Predictores de quimiorresistencia para pacientes con OV

Los 30 eventos más significativos para cada tipo de AS(excepto para ME, que tuvo solo 6 eventos) y para todos los tipos de eventos AS se seleccionaron como candidatos para identificar el modelo predictivo independiente de quimiorresistencia en OV (Tabla SIII). Se realizó un análisis de regresión logística multivariante para los 30 eventos candidatos para cada tipo AS y para todos los tipos AS combinados, y se utilizó el criterio Akaikeinformation para seleccionar el modelo de riesgo más adecuado (32). Los modelos predictivos se presentan en la Tabla II. Se utilizó la puntuación media como valor de corte, se dividió a los pacientes en grupos de alto y bajo riesgo y se calculó el quirófano para cada modelo. Se generaron curvas ROC y se determinaron las AUC para evaluar la efectividad de los modelos de predicción de quimiorresistencia. Los siete factores predictivos que se crearon utilizando los siete tipos de eventos de EA mostraron una potencia considerable que no distinguía la respuesta a la quimioterapia de los pacientes con VO. El modelo basado en eventos ES fue el predictor más efectivo entre los modelos basados en cada tipo de evento AS, con un AUC de 0,894(Fig. 3). El modelo basado en todos los tipos de eventos AS mostró la mejor eficiencia con un AUC de 0,931. La información de los candidatos a eventos de EA que participan en este modelo se presenta en la Tabla III.Este modelo se utilizó en análisis logísticos univariados y multivariados de resistencia a la quimioterapia junto con características clínicas comunes. Una puntuación de alto riesgo fue un factor de riesgo independiente para la resistencia a la quimiorresistencia (tabla IV).

To verify the prognostic value of these predictivemodels, Kaplan-Meier analysis and log-rank tests were performed foreach model. Los resultados indicaron que los pacientes de los grupos de alto riesgo en modelos de riesgo basados en eventos PA, ES, IR y todos los tipos de EA tuvieron un tiempo de supervivencia más corto en comparación con los pacientes de los grupos de bajo riesgo (Fig. 4). En el modelo de riesgo basado en todos los tipos de eventos de EA, la mediana de tiempo de SG para los grupos de alto y bajo riesgo fue de 1.341 y 1.875 días,respectivamente (Fig. 4 H).

La red de correlación potencial de factores de separación

AS está regulada principalmente por factores de empalme.Por lo tanto, es crucial determinar si los factores de empalme clave regulan los eventos asociados a la resistencia química como eventos en OV. Los análisis univariatelogísticos revelaron que los niveles de expresión de ARNm de los cinco factores de multiplicación estaban asociados con la quimiorresistencia. La información de estos factores de empalme se obtuvo de la ayuda de empalme 2 y se mostró en la Tabla V. Posteriormente, se realizaron análisis de correlación de los niveles de expresión de los cinco factores de empalme y los valores de PSI de 151 AS eventos(P<0.01 en análisis univariados). Se generó una red de correlación de empalme a partir de las correlaciones significativas (P<0.05;Fig. 5A) entre 70 eventos AS asociados a la resistencia a la corrosión, incluidos 38 eventos AS protectores y 32 adversos, y los 5 factores de empalme. La mayoría de los eventos de AS protectores se correlacionaron positivamente con la expresión de factores de empalme, como el valor de PSI de AP de SH3IL1 con la expresión de PTBP1, el valor de PSI de AD de RPL15 con la expresión de YBX1, el valor de PSI de AP de CLUL1 con la expresión de SYNCRIP. La mayoría de los eventos AS adversos se correlacionaron negativamente con la expresión de los factores de empalme, como el valor AT PSI de UBAP2L con expresión de TRA2B,el valor ES PSI de RPS24 con expresión de SYNCRIP, el valor ES PSI de Rehoa con expresión de ELAVL4. Las correlaciones representativas entre eventos y factores de empalme se muestran en las gráficas de puntos (Fig. 5B-G).

Discusión

Los estudios anteriores se han centrado en la función del cáncer de ovario como eventos asociados con el cáncer de ovario. La expresión elevada de variantes de multiplicación de γ-glutamilciclotransferas específicas de glutatión se ha relacionado con resultados precarios en el cáncer ovariano (35). Los investigadores también han descubierto que un mayor nivel de la variante mesenquimatosa empalmada CD44S y una expresión reducida de la variante epitelial CD44V promueven la transición epitelial-mesenquimatosa y la invasión de células ovariancancerosas (36). Una variante de empalme de la tetraspanina KAI1 mitiga su función supresora tumoral, induce la migración celular y resulta en un pronóstico precario (37). La sensibilidad a la quimioterapia es el principal factor que influye en la supervivencia del cáncer de ovario seroso (38). Sin embargo,hasta donde sabemos, solo unos pocos estudios han investigado el papel potencial de los eventos AS en la resistencia a la quimioterapia del cáncer de ovario (39,40). Se han notificado casos de tumores inovarios del gen de la proteína 1 asociada a resistencia a múltiples fármacos que confieren resistencia a la terapia con todoxorrubicina (39).La sobreexpresión del exón del grupo 1 complementario cruzado de reparación de escisión con deficiencia de VIII (ERCC1) es capaz de mejorar la sensibilidad al platino en líneas celulares de cáncer de ovario al reducir los niveles de expresión de proteínas de ERCC1 (40). El presente estudio demostró que el evento ES del gen ERCC1 fue un factor protector para la resistencia a la quimioterapia, con un OR de 0,069 y un IC del 95% de 0,008-0,638 (Tabla SI), lo que indica que estos resultados son consistentes con el estudio mencionado.Por lo tanto, estos estudios demostraron el papel potencial de la resistencia a la quimioterapia del VO, y otros estudios sistemáticos de las asignaciones en el VO pueden ayudar a identificar biomarcadores potenciales y objetivos para la resistencia a la quimiorresistencia.

En el presente estudio se analizó sistémicamente la función de las firmas de AS en la resistencia a la quimioterapia utilizando datos de 320 pacientes con VO de la base de datos TCGA y, a continuación, se crearon potentes predictores de resistencia. Se detectaron un total de 22.036 eventos AS en 7.404 genes. Aproximadamente el 38% de los eventos de EA fueron ES, y el modelo de riesgo basado en eventos ES mostró una alta eficiencia. Los eventos ES pueden validarse mediante PCR. Por lo tanto, la investigación futura debe investigar las asociaciones entre los eventos de ES y la resistencia a la quimioterapia en mayor detalle. El modelo predictivo basado en todos los tipos de EA tuvo la mejor eficiencia, con el AUC de la curva ROC alcanzando 0,931. Esto fue mucho más alto que el AUC para los modelos basados en un solo tipo de AS y fue más eficiente que los predictores anteriores basados en la expresión de un solo ARNm (AUC, 0,8056) (41),la firma de ARNLN (AUC, 0,83) (42) o la CA125/ascitis en suero clínico (AUC, 0,846) (43). Estos resultados combinados sugieren que este modelo podría proporcionar predicciones precisas de resistencia a la quimioterapia en pacientes con VO.

Además, en el presente estudio se investigó la función potencial de los factores de empalme en la resistencia a la quimioterapia. Se relacionaron cinco factores determinantes con la resistencia a la quimioterapia y se identificaron sus posibles dianas. Estos resultados sugirieron que los factores de empalme estaban involucrados en pacientes hospitalizados con resistencia a la quimioterapia con cáncer de ovario seroso. Se requiere más trabajo para determinar si la regulación de estos factores de empalme específicos podría aumentar la sensibilidad a la quimioterapia y prevenir la enfermedad.

El presente estudio presentó algunas limitaciones. El presente estudio se basó en los datos de ARN-seq de la base de datos TCGA.La validación utilizando otras bases de datos o cohortes más grandes es necesaria en futuros estudios. Se identificaron numerosos eventos de empalme y factores de empalme que pueden estar asociados con el comportamiento biológico del VO y que deberían evaluarse en estudios experimentales futuros.

En resumen, en el presente estudio se determinó que los eventos AS proporcionaron factores predictivos valiosos para la resistencia a la quimioterapia.El modelo utilizado proporcionó una estratificación de riesgo eficiente para predecir la resistencia a la quimioterapia en pacientes con VO. Se generó una red de correlación de empalme para explorar la relación potencial entre los factores de empalme y los EA. Se determinaron una serie de objetivos de valor para su futura validación. El presente estudio aclaró el papel de los eventos AS en la resistencia primaria a la quimioterapia basada en platino en pacientes con cáncer de ovario seroso y proporcionó dianas potenciales para superar la resistencia a la quimioterapia.

Material Complementario

Datos de Apoyo

Datos de Apoyo

Datos de Apoyo

Agradecimientos

No aplicable.

Financiación

El presente estudio fue apoyado por la Fundación Nacional de Ciencias Naturales de China (subvención no. 81872125) y el Fondo de Investigación para la Carrera de Ciencia y Bienestar de la Provincia de Liaoning (subvención no. 20170017).

Disponibilidad de datos y materiales

Los conjuntos de datos utilizados y/o analizados durante el presente estudio están disponibles en el autor correspondiente de reasonablerequest.

Las contribuciones de los autores

TS y QY diseñaron el estudio. TS realizó los análisis estadísticos y escribió el manuscrito. QY revisó y editó el manuscrito. Todos los autores leyeron y aprobaron el manuscrito final.

Aprobación ética y consentimiento para participar

En el artículo original de los conjuntos de datos, los ensayos fueron aprobados por las juntas de revisión institucional locales de todos los centros participantes y se obtuvo el consentimiento informado de todos los pacientes.

Consentimiento del paciente para la publicación

No se aplica.

Intereses en competencia

Los autores declaran que no tienen intereses en competencia.

	Siegel RL, Miller KD y Jemal A: Cancerstatistics de 2018. CA Cancer J Clin. 68:7–30. 2018. Ver artículo : Google Scholar : PubMed/NCBI
	Bray F, Ferlay J, Soerjomataram I, SiegelRL, Torre LA y Jemal A: Global cancer statistics 2018: GLOBOCANestimates de incidencia y mortalidad en todo el mundo para 36 cánceres en 185 países. CA Cancer J Clin. 68:394–424. 2018. Ver artículo: Google Scholar: PubMed / NCBI
	Torre LA, Trabert B, DeSantis CE, MillerKD, Samimi G, Runowicz CD, Gaudet MM, Jemal A y Siegel RL:Estadísticas de cáncer de ovario, 2018. CA Cancer J Clin. 68:284–296.2018. Ver artículo: Google Scholar: PubMed / NCBI
	Jessmon P, Boulanger T, Zhou W and Patwardhan P: Epidemiología y patrones de tratamiento del cáncer epitelialovariano. Expert Rev Anticanceroso Ther. 17:427–437. 2017.Ver artículo: Google Scholar: PubMed / NCBI
	Bowtell DD, Böhm S, Ahmed AA, Aspuria PJ,Bast RC, Beral V, Berek JS, Birrer MJ, Blagden S, Bookman MA, etal: Repensar el cáncer de ovario II: Reducir la mortalidad por cáncer de ovario seroso de alto grado. Nat Rev Cancer. 15:668–679. 2015.Ver Artículo : Google Scholar : PubMed/NCBI
	Ryner L, Guan Y, Firestein R, Xiao Y, ChoiY, Rabe C Lu S, Fuentes E, Huw LY, Lackner, MR, et al: Upregulationof Periostina y Estroma reactivo se asocia con primarychemoresistance y predice los resultados clínicos en epithelialovarian cáncer. Clin Cancer Res. 21: 2941-2951. 2015. Ver artículo: Google Scholar : PubMed/NCBI
	Muñoz-Galván S, Felipe-Abrio B,García-Carrasco M, Domínguez-Piñol J, Suarez-Martinez E,Verdugo-Sivianes EM, Espinosa-Sánchez A, Navas LE, Otero-Albiol D,Marin JJ, et al: New markers for human ovarian cancer that linkplatinum resistance to the cancer stem cell phenotype and definenew therapeutic combinations and diagnostic tools. J Exp ClinCancer Res. 38:2342019. View Article : Google Scholar : PubMed / NCBI
	van Zyl B, Tang D y Bowden NA:Biomarcadores de resistencia al platino en el cáncer de ovario: Qué podemos usar para mejorar el tratamiento. Endocr Relat Cáncer. 25: R303-R318. 2018.Ver artículo: Google Scholar: PubMed / NCBI
	Shu T, Li Y, Wu X, Li B y Liu Z:La regulación descendente de HECTD3 por inhibición de HER2 hace que las células ovariancancer serosas sean sensibles al tratamiento con platino. Cáncer Lett.411:65–73. 2017. Ver artículo: Google Scholar : PubMed / NCBI
	Bai L, Wang A, Zhang Y, Xu X y Zhang X:El derribo de MALAT1 mejora la quimiosensibilidad de las células de cáncer de ovario al cisplatino mediante la inhibición de la vía de señalización Notch1.Exp Cell Res. 366: 161-171. 2018. Ver artículo: Google Scholar: PubMed / NCBI
	Bai H, Cao D, Yang J, Li M, Zhang Z Andshen K: Heterogeneidad genética y epigenética del cáncer de ovario epitelial y las implicaciones clínicas para la terapia dirigida molecular. Celda J Mol Med. 20:581–593. 2016. Ver artículo: Google Scholar: PubMed / NCBI
	Konecny GE, Winterhoff B y Wang C:Firmas de expresión génica en el cáncer de ovario: Promesas y desafíos para la estratificación de pacientes. Gynecol Oncol. 141:379–385.2016. Ver artículo: Google Scholar : PubMed/NCBI
	Chon HS y Lancaster JM: Microarrays de basedgene estudios de expresión en el cáncer de ovario. Control del Cáncer. 18:8–15.2011. Ver Artículo : Google Scholar : PubMed/NCBI
	Salton M y Misteli T: Pequeño moleculemodulators de empalme del Pre-arnm en la terapia del cáncer. Tendencias Mol Med.22:28–37. 2016. Ver artículo: Google Scholar : PubMed / NCBI
	Narayanan SP, Singh S y Shukla S: Una sagaof epigenética del cáncer: Vinculación de la epigenética al empalme alternativo.Biochem J. 474: 885-896. 2017. Ver artículo: Google Scholar: PubMed / NCBI
	Nilsen TW y Graveley BR: Expansión del proteoma eucariótico mediante empalme alternativo. Naturaleza.463:457–463. 2010. Ver artículo: Google Scholar : PubMed / NCBI
	Nakka K, Ghigna C, Gabellini D andDilworth FJ: Diversificación del proteoma muscular a través del empalme alternativo. Músculo Skelet. 8:82018. Ver artículo: Google Scholar: PubMed / NCBI
	Chang SH, Elemento O, Zhang J, Zhuang ZW,Simons M y Hla T: ELAVL1 regula el empalme alternativo del transportador EIF4 para promover la angiogénesis postnatal. Proc Natl Acad SciUSA. 111:18309–18314. 2014. Ver artículo: Google Scholar : PubMed / NCBI
	Wang Y, Liu Y, Nie H, Ma X y Xu Z:Empalme alternativo de genes expresados en el oído interno. Medicina Frontal.10:250–257. 2016. Ver artículo: Google Scholar : PubMed/NCBI
	Lin L, Park JW, Ramachandran S, Zhang Y,Tseng YT, Shen S, Waldvogel HJ, Curtis MA, Faull RL, Troncoso JC,et al: La secuenciación de transcriptomas revela aberrantes alternativasplicing en la enfermedad de Huntington. Hum Mol Genet. 25:3454–3466.2016. Ver Artículo : Google Scholar: PubMed / NCBI
	Urbanski LM, Leclair N y Anczuków O:Defectos de empalme alternativos en el cáncer: Reguladores de empalme y sus objetivos posteriores, guiando el camino hacia una nueva terapéutica cancerosa. ARN Rev Interdiscip Wiley. 9: e14762018. Ver artículo: Google Scholar: PubMed / NCBI
	Martinez-Montiel N, Rosas-Murrieta NH,Anaya Ruiz M, Monjaraz-Guzman E y Martinez-Contreras R:Empalme alternativo como objetivo para el tratamiento del cáncer. Int J MolSci. 19 (pii): E5452018. Ver artículo: Google Scholar: PubMed / NCBI
	Dvinge H, Kim E, Abdel-Wahab O y BradleyRK: Factores de empalme de ARN como oncoproteínas y supresores tumorales.Nat Rev Cancer. 16:413–430. 2016. Ver artículo: Google Scholar: PubMed / NCBI
	Sveen A, Kilpinen S, Ruusulehto A, LotheRA y Skotheim RI: Empalme de ARN aberrante en cáncer; Cambios de expresión y mutaciones conductoras de genes del factor de empalme. Oncogén.35:2413–2427. 2016. Ver artículo: Google Scholar: PubMed / NCBI
	Shen S, Wang Y, Wang C, Wu YN y Xing Y:SURVIV para el análisis de supervivencia de la variación de isoforma del ARNm. Nat Commun.7:115482016. Ver artículo: Google Scholar: PubMed / NCBI
	Song J, Liu YD, Su J, Yuan D, Sun F andZhu J: Análisis sistemático de signos de empalme alternativos predictores pronósticos para carcinoma renal de células claras.J Cell Physiol. 234:22753–22764. 2019. Ver artículo : Google Scholar : PubMed/NCBI
	Zhu GQ, Zhou YJ, Qiu LX, Wang B, Yang Y,Liao WT, Luo YH, Shi YH, Zhou J, Fan J y Dai Z: Firma de empalme de ARNm alternativa prognostica en carcinoma hepatocelular: Estudio basado en datos de secuenciación a gran escala. Carcinogénesis. 17 de mayo–2019.doi: 10.1093 / carcin / bgz073 (versión electrónica antes de imprimir).Ver Artículo : Google Scholar
	Zhu J, Chen Z y Yong L: Systematicprofiling de splicing alternativo firma revela prognosticpredictor para el cáncer de ovario. Gynecol Oncol. 148:368–374. 2018.Ver artículo: Google Scholar: PubMed / NCBI
	Ryan M, Wong WC, Brown R, Akbani R, Su X,Broom B, Melott J y Weinstein J: TCGASpliceSeq un compendio de empalme alternativo de ARNm en cáncer. Ácidos nucleicos Res. 44: D1018-D1022. 2016. Ver Artículo : Google Scholar: PubMed / NCBI
	Berger AC, Korkut A, Kanchi RS, Hegde AM,Lenoir W, Liu W, Liu Y, Fan H, Shen H, Ravikumar V, et al: Estudio molecular integral de cáncer de mama y ginecológico. Célula Cancerosa. 33:690–705.e9. 2018. Ver artículo: Google Scholar: PubMed / NCBI
	Piva F, Giulietti M, Burini AB andPrincipato G: SpliceAid 2: Una base de datos de datos de expresión de factores de empalme humanos y motivos de ARN objetivo. Hum Mutat. 33:81–85. 2012.Ver Artículo : Google Scholar : PubMed/NCBI
	de Akaike H: teoría de la Información y una ampliación del principio de máxima verosimilitud. 2nd Int. Sympo. onInformation Theor, 1972. https://doi.org/10.1007/978-1-4612-0919-5_38
	Jayson GC, Kohn CE, Kitchener HC andLedermann JA: el cáncer de Ovario. Lanceta. 384:1376–1388. 2014.Ver artículo: Google Scholar : PubMed / NCBI
	Dennis G Jr, Sherman BT, Hosack DA, YangJ, Gao W, Lane HC y Lempicki RA: DAVID: Base de datos para anotación,visualización y descubrimiento integrado. Genome Biol. 4: P32003.Ver artículo: Google Scholar: PubMed / NCBI
	Goebel G, Berger R, Strasak AM, Egle D,Müller-Holzner E, Schmidt S, Rainer J, Presul E, Parson W, Lang S,et al: La expresión elevada de ARNm de las variantes de empalme CHAC1 está asociada con un pronóstico precario para pacientes con cáncer de mama y ovario. Br J Cáncer. 106:189–198. 2012. Ver artículo: Google Scholar: PubMed / NCBI
	Bhattacharya R, Mitra T, Ray Chaudhuri Sand Roy SS: La isoforma de empalme mesenquimatoso de CD44 (CD44s) promueve la invasión e imparte propiedades similares a tallos a células de cáncer de ovario. Bioquímica de Células J. 119:3373–3383. 2018. Ver artículo: Google Scholar : PubMed / NCBI
	Upheber S, Karle A, Miller J, Schlaugk S,Gross E y Reuning U: El empalme alternativo de KAI1 suprime los efectos supresores de tumores en la biología del cáncer ovárico mediado por integrina avß3. Señal de Celular. 27:652–662. 2015. Ver Artículo : Google Scholar : PubMed/NCBI
	Markman M: agentes Antineoplásicos en themanagement de cáncer de ovario: estado Actual y emergingtherapeutic estrategias. Trends Pharmacol Sci. 29:515–519. 2018.Ver artículo : Google Scholar
	He X, Ee PL, Coon JS y Beck WT:Empalme alternativo de la proteína de resistencia a múltiples fármacos 1/gen de la subfamilia de transportadores de casetes de encuadernación en cáncer de ovario crea variantes funcionales de empalme y se asocia con una mayor expresión de los factores de empalme PTB y SRp20. Clin Cancer Res. 10: 4652-4660. 2004. Ver artículo: Google Scholar : PubMed / NCBI
	Sun Y, Li T, Ma K, Tian Z, Zhu Y, Chen Fand Hu G: Los efectos del empalme alternativo del exón VIII del gen ERCC1 en la resistencia al cisplatino en las células cancerosas de ovario. Cancer Invest.27:891–897. 2009. Ver artículo: Google Scholar: PubMed / NCBI
	Zhao H, Sun Q, Li L, Zhou J, Zhang C, HuT, Zhou X, Zhang L, Wang B, Li B, et al: Los niveles de expresión altos deAGGF1 y MFAP4 predicen la quimiorresistencia primaria a base de platino y se relacionan con un pronóstico adverso en pacientes con cáncer serosoovariano. J Cáncer. 10:397–407. 2019. Ver artículo: Google Scholar: PubMed / NCBI
	Liu R, Zeng Y, Zhou CF, Wang Y, Li X, LiuZQ, Chen XP, Zhang W y Zhou HH: Señal de expresión de ARN largo no codificante para predecir la sensibilidad quimioterapéutica a base de platino de pacientes con cáncer ovariano. Sci Rep. 7: 182017. Ver artículo: Google Scholar : PubMed / NCBI
	Matte I, Garde-Granger P, Bessette P y Piché A: el cociente de niveles de leptina de CA125 y ascitis en suero predice resistencia clínica básica al tratamiento de primera línea a base de platino y pronóstico precario en pacientes con cáncer de ovario seroso de alto grado. Am J Cancer Res. 9: 160-170. 2019.PubMed / NCBI