Mathematical Measures of Network Complexity for Cancer Signaling Networks
Notice bibliographique
Résumé
The 5-year survival for patients afterdiagnosis/treatment is strongly dependent on tumor type. Prostate cancer patients have a >99% chance of survival past 5-years since diagnosis, while pancreatic patients have <6% chance of survival past 5-years. Since each cancer type has its own molecular signaling network, we asked if there are “signatures” embedded in these networks that inform us as to the 5-year survival. In other words, are there statistical metrics of the network that correlate with survival? And further, if there are, can such signatures provide clues to selecting new therapeutic targets? From the KEGG Cancer Pathway database we computed several conventional and some less conventional network statistics. In particular we found a high correlation (R2 = 0.7) between degree-entropy and 5-year survival based on the SEER database. This correlation suggests that cancers that have a more complex molecular pathway are more refractory than those with less complex molecular pathway. We also found potential new targets by computing the betweenness – a statistical metric of the centrality of a node – for the molecular networks. We have also investigated algebraic and topological indices for network complexity for protein-protein interaction networks of 11 human cancers. We have found evidence that greater network complexity is associated with lower five year survival probabilities. Moreover, we identify several protein families (PIK, ITG, AKT) that are repeated motives in many of the cancer pathways. Our results can aide in identification of promising targets for anti-cancer drugs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».