为提高园区级综合能源系统(PIES)多能耦合利用效率,促进风电消纳,减少碳排放,构建融合灵活负荷和碳交易机制的园区级综合能源系统低碳经济运行优化模型。首先,根据负荷响应特点,将需求响应分为可转移、可转移、可减量和可替代四种类型。其次,考虑园区热电耦合设备、新能源和灵活负荷,给出PIES基本架构。最后,将阶梯式碳交易机制引入系统,以最小化运行总成本为目标,建立园区级综合能源系统低碳经济运行优化模型。利用YALMIP工具箱和CPLEX求解器对算例进行求解,仿真结果表明,电热耦合调度和灵活电或热负荷的参与可以明显降低系统运行成本,减小负荷峰谷差,缓解高峰用电压力。
。CC-BY-NC-ND 4.0 国际许可证(未经同行评审认证)是作者/资助者,他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2023 年 2 月 21 日发布。;https://doi.org/10.1101/2023.02.20.528313 doi:bioRxiv 预印本
cuproptosis是一种新发现的编程细胞死亡形式,在肿瘤的发生和发育中起着至关重要的作用。然而,库妥刺作在膀胱癌肿瘤微环境中的作用尚不清楚。在这项研究中,我们开发了一种预测预后结果并指导膀胱癌患者的治疗选择的方法。我们从癌症基因组图集数据库和基因表达综合数据库中获得了1001个样品和生存数据点。使用与先前研究中鉴定的与库相关的基因(CRG)进行了分析,我们分析了CRG转录变化并鉴定了两个分子亚型,即高危患者和低危患者。确定了八个基因的预后特征(PDGFRB,COMP,GREM1,FRRS1,SDHD,RARRES2,CRTAC1和HMGCS2)。CRG分子打字和风险评分与临床病理学特征,预后,肿瘤微环境细胞的培养特征,免疫检查点激活,突变负担和化学疗法药物敏感性相关。此外,我们构建了一个准确的列图,以提高CRG_SCORE的临床适用性。QRT-PCR用于检测膀胱癌组织中八个基因的表达水平,结果与预测的结果一致。这些发现可能有助于我们了解昆虫在癌症中的作用,并为设计个性化治疗和预测膀胱癌患者的生存结果的新方向提供了新的方向。
膀胱癌(BC)是全球第十大癌症,每年约有573,000例新病例,死亡人数超过212,000例(1)。非肌肉浸润性BC(NMIBC)通过肿瘤(TURBT)和静脉内辅助化疗或芽孢杆菌Calmette-Goerin(BCG)治疗来治疗。肌肉侵入性BC(MIBC)患者接受基于新辅助顺铂化疗或免疫疗法,然后进行自由基膀胱切除术(RC)治疗。膀胱的替代选择是所谓的“三局疗法”,这是一种最大trubt的方案,然后是放射敏感的化学疗法和放射线。对于患有晚期或转移性疾病的患者,标准化疗中位生存期仅约13-15个月。因此,其他治疗选择,例如
从个体化治疗的角度来看,了解驱动肿瘤发展和赋予特定疗法反应的分子机制以及基因改变至关重要。在过去的几年中,尽管研究的病例和基因数量仍然有限,但 UrC 的突变模式得到了深入研究。大多数研究集中在 RAS/PI3K 信号通路中的基因,并经常发现 KRAS 基因中反复出现的突变。此外,NF1、GNAS、NRAS 和 PIK3CA 突变也被反复检测到。10,11,15–19 考虑到这些重叠的改变,UrC 的基因组背景似乎与 CRC 相似。另一方面,我们也发现了一些特征性差异,因为 APC 基因在 UrC(10%)中受影响的频率远低于在 CRC(80%)中。此外,15% 的 CRC 中可检测到微卫星不稳定性,但在 UrC 中很少发现。 20基于这些发现,与CRC相比,UrC代表了相似但明显不同的分子模式。关于PBAC遗传背景的数据要少得多,主要显示MAPK或Wnt通路基因的改变。16,21因此,需要进一步研究以更详细地了解UrC和PBAC的分子背景。基因组分析临床实施中缺少的另一个步骤是缺乏系统的方法来解释其指导治疗干预的潜力。因此,在这项多中心研究中,我们使用一个大型、市售的下一代测序面板对UrC和PBAC样本进行了基因组分析,该面板包含161个癌症相关基因。此外,为了确定潜在有效的药物,使用基于证据的决策支持工具进行临床解释。
从个体化治疗的角度来看,了解驱动肿瘤发展和赋予特定疗法反应的分子机制以及基因改变至关重要。在过去的几年中,尽管研究的病例和基因数量仍然有限,但 UrC 的突变模式得到了深入研究。大多数研究集中在 RAS/PI3K 信号通路中的基因,并经常发现 KRAS 基因中反复出现的突变。此外,NF1、GNAS、NRAS 和 PIK3CA 突变也被反复检测到。10,11,15–19 考虑到这些重叠的改变,UrC 的基因组背景似乎与 CRC 相似。另一方面,我们也发现了一些特征性差异,因为 APC 基因在 UrC(10%)中受影响的频率远低于在 CRC(80%)中。此外,15% 的 CRC 中可检测到微卫星不稳定性,但在 UrC 中很少发现。 20基于这些发现,与CRC相比,UrC代表了相似但明显不同的分子模式。关于PBAC遗传背景的数据要少得多,主要显示MAPK或Wnt通路基因的改变。16,21因此,需要进一步研究以更详细地了解UrC和PBAC的分子背景。基因组分析临床实施中缺少的另一个步骤是缺乏系统的方法来解释其指导治疗干预的潜力。因此,在这项多中心研究中,我们使用一个大型、市售的下一代测序面板对UrC和PBAC样本进行了基因组分析,该面板包含161个癌症相关基因。此外,为了确定潜在有效的药物,使用基于证据的决策支持工具进行临床解释。
膀胱癌是泌尿系统中最常见的肿瘤。在美国,2022 年估计有 17,000 人死于膀胱癌,新增病例 80,000 例。根据肿瘤穿透膀胱壁的深度,膀胱癌可分为非肌层浸润性膀胱癌或肌层浸润性膀胱癌。非肌层浸润性膀胱癌 (NMIBC) 通常仅侵袭固有层,而肌层浸润性膀胱癌已长入膀胱的肌肉和周围组织。根据肿瘤分类,膀胱癌的治疗方法包括手术、铂类化疗或膀胱内免疫疗法(即卡介苗 (BCG))。BCG 是癌症最成功的微生物免疫疗法,建议大多数 NMIBC 患者使用。BCG 最初是作为抗结核病疫苗开发的。随着时间的推移,BCG 已被用于训练先天免疫系统,从而治疗膀胱癌。尽管确切的信号通路尚不清楚,但机制研究表明 T 细胞、肥大细胞、NK 细胞和粒细胞在肿瘤生长抑制和细胞凋亡中发挥作用 [1]。膀胱内注射 BCG 是预防 NMIBC 复发的有效方法,然而,它已被证明会出现副作用 [2]。这些副作用很少严重;然而,有可能导致严重感染。此外,有报道称 NMIBC 患者对膀胱内注射 BCG 产生了适应性免疫抗性 [3]。正在研究 BCG 重组菌株以减少副作用并增加
上尿路上皮癌 (UTUC) 是一种罕见的肾盂或输尿管恶性肿瘤,约占尿路上皮癌 (UC) 的 5-10%,估计每年每 100,000 名居民中就有 1-2 例 (1)。虽然 UTUC 的组织学外观与膀胱癌 (UBC) 相似,但它表现出与 UBC 不同的特征 (2)。例如,UTUC 在中胚层衍生的上皮中发展 (3),并且在手术中比 UBC 更具侵袭性 (1)。此外,UTUC 是一种与林奇综合征相关的恶性肿瘤,可由马兜铃酸 (AA) 诱发,而 UBC 很少与林奇综合征或 AA 暴露有关 (4 - 6)。这些差异表明 UTUC 和 UBC 代表两种不同的疾病实体。因此,治疗 UTUC 需要与 UBC 不同的临床管理策略,但现有的 UTUC 治疗方法实际上是从 UBC 的证据推断出来的;关于 UTUC 的证据不足,这可以归因于与 UBC 相比,其发病率低且临床试验中纳入的病例数较少。
我们已证明,荧光 pHLIP 药物可靶向人类膀胱中的恶性病变,通过 pHLIP 向细胞内递送鹅膏毒肽毒素可抑制尿路上皮癌细胞增殖,并且 pHLIP-鹅膏毒肽可增强对 17p 缺失的癌细胞的效力,17p 缺失是尿路上皮癌中经常出现的突变。28 个离体膀胱标本来自接受机器人辅助腹腔镜根治性膀胱切除术治疗膀胱癌的患者,通过膀胱内孵育 15-60 分钟,使用浓度为 4-8 μM 的吲哚菁绿 (ICG) 或 IR-800 近红外荧光 (NIRF) 染料偶联的 pHLIP 进行处理。白光膀胱镜检查可识别出 47/58 (81%) 的恶性病变,而 NIRF pHLIP 膀胱镜检查可识别出 57/58 (98.3%) 的不同亚型和阶段的恶性病变,并可选择进行组织病理学处理。pHLIP NIRF 成像将诊断率提高了 17.3% (p < 0.05)。所有被白光膀胱镜检查漏诊的原位癌病例均通过 pHLIP 药物靶向治疗,并通过 NIRF 成像进行诊断。我们还研究了 pHLIP-鹅膏蕈碱与不同等级的尿路上皮癌细胞的相互作用。在浓度高达 4 μM 的情况下,pHLIP-鹅膏蕈碱处理 2 小时后,可对尿路上皮癌细胞的增殖产生浓度和 pH 依赖性抑制。在 pH6 下处理 2 小时后,对于 17p 丢失的细胞,pHLIP-鹅膏蕈碱的细胞毒性增强了 3-4 倍。 pHLIP 技术可能改善尿路上皮癌的管理,包括使用 pHLIP-ICG 对恶性病变进行成像以进行诊断和手术,以及使用 pHLIP-amanitin 通过膀胱内灌注治疗浅表性膀胱癌。
而列数是垂直方向上的最大单元数。QCA Designer-E 会估算所有可能的坐标组合的总能量耗散。有各种能量耗散分量,如 E_bath、E_clk、E_io、E_in 和 E_out,用于计算所有坐标的总能量耗散。QCA 单元在时钟周期内会损失能量。该能量耗散显示为 E_bath [13]。需要注意的是,E_in 和 E_out 是 QCA 单元的输入和输出能量耗散,而 E_io 是 E_out 和 E_in 之间的能量耗散差。能量耗散为正值表示能量转移到 E_clk、E_io 和 E_env,其中 E_env 是转移到环境中的能量。能量耗散误差 (E_Error) 计算为 EError = Eenv-