Richtlinien zur Einreichung von Proben
Warum Biomarker-Studien mehr als nur Merkmalsranking benötigen
Hochdimensionale Omics-Daten können ansprechende Signaturen erzeugen, die in einer neuen Kohorte nicht bestehen bleiben. Eine integrierte Studie ist erforderlich, um wiederholbare biologische Signale von Batch-Effekten, Kohortenungleichgewicht, Überanpassung und zufälligen Korrelationen zu trennen.
Das Studiendesign bestimmt, was ein Modell legitim beantworten kann. Die Qualität des Wet-Labs bestimmt, ob das beabsichtigte Signal die Daten erreicht. Bioinformatik wandelt rohe Messungen in vergleichbare Merkmale um. Maschinelles Lernen kann dann helfen, Kombinationen zu priorisieren und deren Robustheit zu quantifizieren – es kann jedoch eine ungeeignete Kohorte nicht reparieren oder unabhängige Beweise ersetzen.
Wir beginnen daher mit der beabsichtigten Entscheidung: frühe Entdeckung, Forschung zur Behandlungsreaktion, molekulare Stratifikation, longitudinale Risikoforschung oder Validierung einer bestehenden Hypothese. Diese Entscheidung leitet die Gruppendefinitionen, molekularen Schichten, Probenzuweisung, festgelegte Bewertungsstrategie, Panelgröße und Nachverfolgungsassay.
Fragen, die die Studie beantworten sollte
- Ist das Signal stärker als eine einfache Basislinie?
- Ist es stabil bei Resampling und Vorverarbeitung?
- Könnten technische oder klinische Variablen dafür verantwortlich sein?
- Kann die Shortlist anhand neuer Proben gemessen werden?
- Welche Beweise fehlen noch?
Konkrete Forschungsszenarien
Die folgenden Beispiele zeigen, wie Experimente, Analysen und Validierungen miteinander verbunden werden können. Die Kohortengrößen und -methoden sind illustrativ und werden nach einer Machbarkeitsprüfung verfeinert.
Blutbasierte Biomarker-Entdeckung für frühere Krankheitsforschung
KundenfrageKann ein kompaktes blutbasiertes molekulares Panel den Zielzustand von sowohl gesunden als auch klinisch relevanten benignen Kontrollen unterscheiden?
Illustratives DesignVerwenden Sie Serum oder Plasma aus einer Entdeckungskohorte, die Zielfälle, Kontrollen mit benignen Erkrankungen und gesunde Kontrollen enthält. Erstellen Sie Entdeckungsprofile für Proteomik, Metabolomik, cfDNA oder Transkriptomik; behalten Sie eine gesperrte Teilmenge oder unabhängige Kohorte zur Bewertung. Relevante Kovariaten können Alter, Geschlecht, Entnahmeort, Nüchternstatus, Hämolyse, Lagerzeit und Verarbeitungscharge umfassen.
Rolle im maschinellen LernenVergleichen Sie eine konventionelle Basislinie mit regularisierten und Ensemble-Ansätzen; führen Sie die Merkmalsauswahl innerhalb der Resampling durch; berichten Sie über Stabilität, ROC- und Präzisions-Recall-Leistung, Kalibrierung, wo relevant, und den inkrementellen Wert eines kompakten Panels. Ausgewählte Proteine oder molekulare Merkmale können in die gezielte Messung in den verbleibenden Proben überführt werden.
Was der Kunde erhältEvidenzbewertete Kandidaten, ein kompaktes Panel-Vorschlag, Modell- und Stabilitätsbericht, Störfaktorenanalyse, gezielter Validierungsplan oder Ergebnisse sowie eine Empfehlung zum Fortfahren/Verfeinern/Stoppen.
ForschungsbasisNey et al. verwendeten 539 Serumproben, diagnose-spezifische Basislerner, Merkmalselimination und eine getrennte Bewertung, um ein Proteinpanel für Bauchspeicheldrüsenkrebs zu entwickeln. Xing et al. demonstrierten einen gestuften Entdeckungs-Verifizierungs-Validierungs-Proteomik-Workflow mit 1.002 Teilnehmern. Diese Studien unterstützen die Logik des Workflows, garantieren jedoch keine Leistung in einer anderen Kohorte.
Prä-Therapie-Biomarker der Forschungsreaktion
KundenfrageWelche grundlegenden molekularen Merkmale unterscheiden Ansprechende von Nicht-Ansprechenden, und verbessert die Multi-Omics-Information die klinischen Variablen allein?
Illustratives DesignSammeln Sie Biopsien vor der Behandlung und einen klar definierten Antwortendpunkt. Je nach Mechanismus und Verfügbarkeit der Proben kombinieren Sie Variantenprofilierung, Expression, Immunstatus, epigenetische oder pathologisch abgeleitete Merkmale. Reservieren Sie Bewertungsdaten nach Patient, Standort oder Studienkohorte, sodass verwandte Proben keine Partitionen überschreiten können.
MaschinenlernrolleVergleichen Sie klinische-only, Single-Omics- und integrierte Modelle unter demselben Bewertungsplan; überprüfen Sie Klassenungleichgewicht, Behandlungsarm, Gewebezusammensetzung und Standorteffekte; identifizieren Sie stabile Merkmale, die über die Basislinie hinaus messbaren Wert hinzufügen.
ValidierungsrouteTesten Sie die gesperrte Signatur in einem externen Datensatz oder einer nachfolgenden Kohorte und verwenden Sie dann gezielte Sequenzierung oder Ausdrucksmessung, um eine handhabbare Kandidatengruppe zu verifizieren.
ForschungsbasisSammut et al. integrierten klinische, digitale Pathologie-, genomische und transkriptomische Merkmale aus Biopsien von Brusttumoren vor der Behandlung und bewerteten das Reaktionsmodell in einer externen Kohorte, was verdeutlicht, warum das gesamte Tumorekosystem und ein unabhängiger Datensatz von Bedeutung sind.
Einzelzell-Entdeckung von Zellzustands-Biomarkern
KundenfrageWird das scheinbare Signal des Gewebes durch eine spezifische Immun-, Stromal- oder krankheitsassoziierte Zellpopulation verursacht?
Illustratives DesignProfilieren Sie sorgfältig ausgewogene Gewebe- oder periphere Blutproben mit Einzelzellauflösung. Definieren Sie den Spender – nicht die Zelle – als die unabhängige Stichproben-Einheit. Entdecken Sie Zellpopulationen, Zustandsprogramme und Häufigkeitsverschiebungen, die mit dem Endpunkt verbunden sind, während Sie die Effekte von Spender und Verarbeitung kontrollieren.
MaschinenlernrollePriorisieren Sie reproduzierbare Zellzustandsmerkmale, vergleichen Sie Spender-spezifische Signaturen und vermeiden Sie aufgeblähte Leistungen, die durch das zufällige Aufteilen von Zellen desselben Spenders verursacht werden. Kandidatenpopulationen können in zusätzlichen Proben mit flussbasierten, gezielten Expressions- oder orthogonalen Gewebeassays verifiziert werden.
ForschungsbasisEine veröffentlichte Melanom-Studie verwendete Einzelzell-RNA-Sequenzierung zur Entdeckung und anschließend eine flussbasierte Analyse in zusätzlichen Proben, um S100A9-positive Monozyten als ein reaktionsassoziiertes Biomarker zu untersuchen. Das Design zeigt den Wert des Übergangs von hochdimensionaler Entdeckung zu einem praktischen orthogonalen Assay.
Multi-Omics-Stratifizierung und Risikoforschung
KundenfrageDefinieren genomische, transkriptomische, epigenomische, protein- oder Metabolit-Schichten reproduzierbare Subgruppen oder verbessern sie ein Risikomodell über etablierte Variablen hinaus?
Illustratives DesignHarmonisieren Sie die Probenidentität und Metadaten über die Schichten hinweg, definieren Sie, welche Proben vollständige oder teilweise Daten haben, und legen Sie fest, ob die Integration früh, intermediär oder spät ist. Bewerten Sie jede molekulare Schicht separat, bevor Sie das kombinierte Modell testen.
MaschinenlernrolleIdentifizieren Sie stabile latente Faktoren oder Merkmale über Schichten hinweg, vergleichen Sie klinische-only und Einzel-Schicht-Baselines mit dem integrierten Modell, führen Sie Sensitivitätsanalysen für fehlende Schichten und Batch-Effekte durch und übersetzen Sie das Ergebnis in eine interpretierbare Panel- oder Subgruppendefinition.
ValidierungsrouteReproduzieren Sie die Subgruppe oder Risikobeziehung in einer separaten Kohorte und überprüfen Sie die Schlüsselfunktionen mit einem kleineren gezielten Assay. Das Ziel ist nicht, die Anzahl der Omics-Schichten zu maximieren, sondern zu zeigen, welche Schicht die Forschungsentscheidung beeinflusst.
ForschungsbasisHoadley et al. integrierten Aneuploidie, DNA-Methylierung, mRNA, MikroRNA und Proteinmessungen über etwa 10.000 Tumoren und zeigten, wie individuelle und integrierte molekulare Schichten sowohl gemeinsame als auch gewebespezifische Muster offenbaren. Die Studie unterstützt die Bewertung jeder Schicht, bevor ein integrierten Subtyp interpretiert wird.
Technologie- und Dienstleistungsoptionen
Die Technologie wird basierend auf der biologischen Fragestellung, dem Proben-Typ, dem erwarteten Signal und dem nachgelagerten Validierungsweg ausgewählt – nicht basierend auf der Neuheit des Algorithmus.
| Servicetechnologie | Was es beiträgt | Häufige Verwendung von Biomarkern | Validierungsüberlegung |
|---|---|---|---|
| RNA-Sequenzierung | Gen-, Transkript-, Spleiß- und Weg-Ebene Ausdrucksmerkmale | Antwortsignaturen, molekulare Subgruppen, Krankheitsstatusprogramme | Gezielte Expressionsmessung oder unabhängige transcriptomische Kohorte |
| Einzelzell-RNA-Sequenzierung | Zellpopulationen, Zellzustände und zelluläre Zusammensetzung auf Spender-Ebene | Entdeckung von Biomarkern für seltene Zellen und Immunzustände | Flussbasierte oder gezielte Ausdrucksverifizierung in zusätzlichen Spendern |
| ATAC-Seq | Chromatin-Zugänglichkeit und Merkmale des regulatorischen Zustands | Regulatorische Biomarker und mechanismenverknüpfte Signaturen | Gezielte regulatorische Region oder Ausdrucksnachverfolgung |
| Whole-Exom-Sequenzierung | Kodierungsvarianten, Mutationsmuster und Merkmale im Zusammenhang mit der Kopienzahl | Variant-informierte Stratifikation und Antwortstudien | Orthogonale Variantenbestätigung und unabhängige Kohortenbewertung |
| Multi-Omics-Dienste | Integrierte Evidenz über molekulare Schichten hinweg | Cross-Layer-Subtypisierung, Reaktion und Risikoforschung | Zeigen Sie den inkrementellen Wert im Vergleich zu klinischen und einlagigen Baselines. |
| Bioinformatik-Dienstleistungen | Datenüberprüfung, -verarbeitung, -harmonisierung, -modellierung und reproduzierbare Berichterstattung | Daten-zu-Einsicht und hybride Projekte | Ansprüche hängen von Metadaten, Qualität und verfügbaren Validierungsdaten ab. |
Proteomik, Metabolomik, gezielte Messungen, räumliches Profiling und andere projektspezifische Tests können nach einer Machbarkeitsprüfung ebenfalls integriert werden.
Projektzugangsmodi
| Eingangsmodus | Ausgangsmaterial | Integrierter Umfang |
|---|---|---|
| Probe zu Erkenntnis | Biospezimen sowie Forschungsfrage und Metadaten | Studien-Design-Unterstützung, Omics-Experimente, Qualitätskontrolle, Bioinformatik, maschinelles Lernen unterstützte Entdeckung und Validierungsplanung |
| Daten zu Einsichten | Roh- oder verarbeitete Omics-Daten und Metadaten | Datenprüfung, Harmonisierung, Überprüfung von Störfaktoren, Merkmalsengineering, Modellvergleich, Interpretation und Validierungsstrategie |
| Hybrides Studium | Vorhandene Daten plus Proben für eine fehlende Schicht oder Nachfolgestudie | Gezielte neue Experimente, die mit Kundendaten integriert sind, gefolgt von Entdeckung und Validierung der Forschung. |
Integrierter Biomarker-Entdeckungs-Workflow
Ein koordinierter Arbeitsablauf verbindet die beabsichtigte Forschungsentscheidung mit dem Kohortendesign, der Durchführung im Labor, der Modellierung und der Validierung.
Schritt 1 — Definiere die EntscheidungGeben Sie den Vergleich, den Endpunkt, die beabsichtigte Stichprobeneinheit, die Einschränkungen des Kandidatenpools und die erforderlichen Nachweise für den Fortschritt an.
Schritt 2 — Gestalten Sie die KohorteÜberprüfen Sie die Einschlusskriterien, das Gleichgewicht, die Kovariaten, die Chargen, die gepaarte oder longitudinale Struktur sowie die Optionen für eine zurückgehaltene oder unabhängige Bewertung.
Schritt 3 — Erzeugen von zweckmäßigen Omics-DatenWählen Sie den Wet-Lab-Test oder die Testkombination aus und führen Sie diese aus, wobei die Qualitätsanforderungen an die nachgelagerten Modellierungsbedürfnisse gebunden sind.
Schritt 4 — Analysebereite Merkmale erstellenVerarbeiten Sie Rohdaten, kennzeichnen Sie Merkmale, überprüfen Sie fehlende Werte und technische Variationen und sperren Sie die ergebnisunabhängige Vorverarbeitung.
Schritt 5 — Vergleiche Baselines und ModelleBewerten Sie konventionelle Statistiken und gerechtfertigte Ansätze des maschinellen Lernens unter demselben verschachtelten oder zurückgehaltenen Plan.
Schritt 6 — Testen der Robustheit und Interpretation der BiologieQuantifizieren Sie die Stabilität der Merkmale, überprüfen Sie Störfaktoren, bewerten Sie die Kalibrierung, wo relevant, und verbinden Sie Kandidaten mit Wegen oder Zellkontext.
Schritt 7 — Validierung der ForschungsergebnisseBewerten Sie die gesperrte Signatur in unabhängigen Daten und/oder überprüfen Sie die Kandidaten mit einem gezielten orthogonalen Assay.
Schritt 8 — Übermitteln Sie das EntscheidungsdokumentBerichten Sie über das Kandidatengremium, unterstützende Beweise, Einschränkungen, reproduzierbare Ergebnisse und empfohlene nächste Experimente.
Maschinelles Lernen mit Forschungsschutzmaßnahmen
Maschinelles Lernen ist eine unterstützende Forschungsebene, keine automatische Antwort. Je nach Endpunkt und Probenstruktur können Methoden regulierte lineare Modelle, baumbasierte Modelle, Kernelansätze, Ensemble-Lernen oder gerechtfertigte Integrationsmethoden umfassen. Jedes komplexe Modell sollte mit einem einfacheren, interpretierbaren Basismodell verglichen werden.
- Merkmalsverarbeitung innerhalb der Resampling-Schleife
- Verschachtelte Kreuzvalidierung zur Abstimmung und internen Schätzung
- Gruppierte oder standortbewusste Aufteilung, wenn Proben miteinander verbunden sind
- Training-Only-Bearbeitung von Klassenungleichgewicht
- Berichterstattung über die Häufigkeit und Stabilität der Merkmalsauswahl
- Störfaktoren- und Sensitivitätsanalysen
- Kalibrierungsbewertung, wenn Wahrscheinlichkeiten wichtig sind
- Gesperrte unabhängige Kohortenbewertung, wenn möglich
Ein Modell wird nicht nur anhand eines einzelnen Kriteriums bewertet.
Diskriminierung, Fehlerprofil, Kalibrierung, Stabilität, biologische Interpretation und praktische Testdurchführbarkeit werden gemeinsam überprüft.
Studieneingaben und Stichprobenüberlegungen
Es gibt keine universelle Mindestgröße für Kohorten. Die Durchführbarkeit hängt von der Prävalenz des Endpunkts, der Heterogenität, der Effektgröße, der Merkmalsdimensionalität, der Kohortenstruktur, der Fehlenden und dem Validierungsanspruch ab.
- Probenart, Konservierung, Eingabemenge und erwartete Qualität
- Endpunktdefinition, Gruppenbilanz, Zeitpunkte und gepaarte Messungen
- Alter, Geschlecht, Behandlung, Standort, Charge und andere relevante Kovariaten
- Verfügbarkeit von Rohdaten und Vollständigkeit der Metadaten
- Entdeckungs-, Abstimmungs-, zurückgehaltene und unabhängige Kohortenoptionen
- Größe des Kandidatenpools und Einschränkungen bei nachgelagerten Tests
- Datenübertragung, Datenschutz und Reproduzierbarkeitsanforderungen
Liefergegenstände
- Experimentelle QC- und Omics-Datenberichte
- Analysebereite Matrizen und Überprüfung der Metadaten
- Gesperrter Splitt- und Validierungsplan
- Baseline- und maschinelles Lernen-Vergleiche
- Kreuzvalidierung und zurückgehaltene Zusammenfassungen
- Diskriminierung, Fehler und Kalibrierungsausgaben
- Bericht über die Stabilität von Merkmalen und die Häufigkeit der Auswahl
- Evidenzgestaffeltes Kandidatenbiomarker-Panel
- Biologische Annotation und Pfadkontext
- Zielgerichtete Validierungsergebnisse oder Empfehlungen
- Reproduzierbare Ergebnisse und methodenfertiger Bericht
- Einschränkungen und empfohlene nächste Experimente
Referenzen
- Walsh I, Fishman D, Garcia-Gasulla D, et al. DOME: Empfehlungen für die Validierung von überwachten maschinellen Lernverfahren in der Biologie. Naturmethoden. 2021.
- Diaz-Uriarte R, Gómez de Lope E, Giugno R, et al. Zehn schnelle Tipps für die Entdeckung und Validierung von Biomarkern mithilfe von maschinellem Lernen. PLOS Computational Biology. 2022.
- Ney A, Nené NR, Sedlak E, et al. Identifikation eines Serumproteom-Biomarker-Panels unter Verwendung von diagnose-spezifischem Ensemble-Lernen und Symptomen zur frühen Erkennung von Bauchspeicheldrüsenkrebs. PLOS Computational Biology. 2024.
- Xing X, et al. Proteomik-gesteuerte nicht-invasive Screening von zirkulierenden Serumprotein-Panels zur frühen Diagnose von hepatozellulärem Karzinom. Naturwissenschaftliche Kommunikation. 2023.
- Sammut SJ, Crispin-Ortuzar M, Chin SF, et al. Multi-omische maschinelles Lernen Vorhersage des Ansprechens auf die Brustkrebstherapie. Natur. 2022.
- Rad Pour S, Pico de Coaña Y, Martinez Demorentin X, et al. Vorhersage von Anti-PD-1-Responders bei malignem Melanom anhand der Häufigkeit von S100A9-positiven Monozyten im Blut. Journal für Immuntherapie von Krebs. 2021.
- Hoadley KA, Yau C, Hinoue T, et al. Zell-Ursprungsmuster dominieren die molekulare Klassifikation von 10.000 Tumoren aus 33 Krebsarten. Zelle. 2018.
Nur für Forschungszwecke. Nicht für den Einsatz in diagnostischen oder klinischen Verfahren.
Beispiel für entscheidungsorientierte Ergebnisse
Ein typischer Bericht kombiniert Leistung, Stabilität, Kalibrierung und biologische Interpretation, anstatt eine einzelne Genauigkeitszahl isoliert darzustellen.
Illustrative composite output: geschachtelte Bewertungsverteilungen, zurückgehaltene ROC- und Präzisions-Recall-Kurven, Kalibrierung, Häufigkeit der Merkmalsauswahl und ein evidenzgestütztes kompaktes Panel. Endgültige Metriken und Diagramme hängen vom Studienendpunkt und -design ab.
Häufig gestellte Fragen zur Entdeckung von Biomarkern durch maschinelles Lernen
Kann das Projekt mit Biomaterialien beginnen?
Ja. Sample-to-Insight-Projekte können Unterstützung bei der Studienplanung, Omics-Experimenten, Qualitätskontrolle, Bioinformatik, maschinellem Lernen zur Entdeckung und Validierungsplanung umfassen. Der Umfang des Assays wird nach Überprüfung der Proben und Endpunkte ausgewählt.
2. Können Sie Daten analysieren, die anderswo generiert wurden?
Ja. Zunächst überprüfen wir Roh- oder verarbeitete Dateien, Metadaten, Qualitätsinformationen, Kohortenstruktur und die Kompatibilität mit der beabsichtigten Aussage. Fehlende Metadaten oder wesentliche Unterschiede zwischen den Chargen können die durchführbare Analyse einschränken.
3. Welche Omics-Ebene sollten wir wählen?
Die Wahl hängt von Mechanismus, Probenzugänglichkeit, erwarteter Häufigkeit, Beziehung zum Endpunkt, Budget und Validierungsweg ab. Wir priorisieren das kleinste vertretbare Design, anstatt ohne Entscheidungszweck zusätzliche Schichten hinzuzufügen.
4. Verwenden Sie immer Deep Learning?
Nein. Regularisierte oder baumbasierte Modelle sind oft geeigneter für begrenzte Omics-Kohorten und leichter zu interpretieren. Die Wahl der Methode hängt von der Datengröße, dem Endpunkt, der Struktur und den Validierungsbedürfnissen ab.
5. Wie reduzieren Sie Überanpassung?
Der Plan kann verschachtelte Kreuzvalidierung, gruppierte Aufteilungen, gesperrte gehaltene Daten, Vorverarbeitung innerhalb der Wiederholungen, Stabilitätsanalysen und unabhängige Bewertungen verwenden. Das Design wird vor der Modellanpassung vereinbart.
6. Können ausgewählte Biomarker experimentell validiert werden?
Potenziell. Nachverfolgung kann gezielte Sequenzierung, gezielte Expression, flussbasierte Messung oder einen anderen orthogonalen Test in aufbewahrten oder unabhängigen Forschungsproben verwenden, vorbehaltlich der Machbarkeit.
7. Kann die Leistung garantiert werden?
Nein. Die Entdeckung von Biomarkern ist unsicher. Der Service reduziert vermeidbare Verzerrungen, quantifiziert die Robustheit und hilft zu bestimmen, ob ein Kandidat voranschreiten, verfeinert oder eingestellt werden sollte.
Veröffentlichte Fallstudie
Unabhängiges Forschungs-Highlight
Serum-Proteom-Biomarker-Panel unter Verwendung von diagnose-spezifischem Ensemble-Lernen
Diese unabhängige Veröffentlichung wird als Beispiel für ein Studiendesign präsentiert und ist kein Projekt eines CD Genomics-Kunden.
Forschungsfrage
Könnte ein kompaktes Serumprotein-Signatur Bauchspeicheldrüsenkrebs von gesunden Personen und klinisch relevanten benignen Erkrankungen bei Menschen mit besorgniserregenden Symptomen unterscheiden?
Studienentwurf
Die Forscher analysierten 539 Serumproben mithilfe eines Onkologie-Protein-Panels sowie zusätzlicher Marker. Sechzehn spezialisierte Basislerner wurden in einem gestapelten Ensemble kombiniert. Merkmalseliminierung und Kreuzvalidierung wurden während der Entwicklung eingesetzt, während ein zurückgehaltener Satz für die Bewertung reserviert wurde.
Berichtetes Ergebnis
Im Validierungsdatensatz erzielte das Ensemble eine Fläche unter der ROC-Kurve von 0,95 (95%-Konfidenzintervall 0,91–0,99) und eine Sensitivität von 0,86 (95%-Konfidenzintervall 0,68–1,00) bei 90% Spezifität.
Übertragbare Lektion
Die gleiche Leistung sollte in einer anderen Kohorte nicht erwartet werden. Die nützliche Lektion ist der verbundene Arbeitsablauf: klinisch relevante Kontrollen, umfassende Proteinmessungen, Merkmalsreduktion innerhalb der Modellentwicklung, komplementäre Lernende, zurückgehaltene Evaluierung und ein kompaktes Panel, das für weitere Verifizierung geeignet ist.
Referenz
- Ney A, Nené NR, Sedlak E, et al. Identifizierung eines Serumproteom-Biomarker-Panels mittels diagnose-spezifischem Ensemble-Lernen und Symptomen zur frühen Erkennung von Bauchspeicheldrüsenkrebs. PLOS Computational Biology. 2024.
Ausgewählte Veröffentlichungen
Diese kundenbezogenen Publikationen veranschaulichen Omics-Datensätze und Forschungsfragen, die für Biomarker-Studien relevant sind. Die Aufnahme bedeutet nicht, dass jede Arbeit die hier beschriebene vollständige Lösung verwendet hat.
- Iparraguirre L, Alberro A, Iñiguez SG, et al. Die RNA-Seq-Profilierung von Blut zeigt eine Gruppe von zirkulären RNAs, die bei gebrechlichen Personen unterschiedlich exprimiert sind. Immunität und Alterung. 2023.
- Van Goubergen J, Peřina M, Handle F, et al. Die gezielte Beeinflussung der CLK2/SRSF9-Spleißachse bei Prostatakrebs führt zu einer verringerten ARV7-Expression. Molekulare Onkologie. 2025.
- Joruiz SM, Von Muhlinen N, Horikawa I, et al. Die unterschiedlichen Funktionen des Wildtyp- und des R273H-Mutanten Δ133p53α regulieren unterschiedlich die Aggressivität von Glioblastomen und die therapieinduzierte Seneszenz. Zelltod & Krankheit. 2024.
