Quantitative analysis of p53 expression in human normal and cancer tissue microarray with global normalization method.
Notice bibliographique
Résumé
Tissue microarray based immunohistochemical staining and proteomics are important tools to create and validate clinically relevant cancer biomarkers. Immunohistochemical stains using formalin-fixed tissue microarray sections for protein expression are scored manually and semi-quantitatively. Digital image analysis methods remove some of the drawbacks of manual scoring but may need other methods such as normalization to provide across the board utility. In the present study, quantitative proteomics-based global normalization method was used to evaluate its utility in the analysis of p53 protein expression in mixed human normal and cancer tissue microarray. Global normalization used the mean or median of β-actin to calculate ratios of individual core stain intensities, then log transformed the ratios, calculate a mean or median and subtracted the value from the log of ratios. In the absence of global normalization of p53 protein expression, 44% (42 of 95) of tissue cores were positive using the median of intensity values and 40% (38 of 95) using the mean of intensities as cut-off points. With global normalization, p53 positive cores changed to 20% (19 of 95) when using median of intensities and 15.8%(15 of 95) when the mean of intensities were used. In conclusion, the global normalization method helped to define positive p53 staining in the tissue microarray set used. The method used helped to define clear cut-off points and confirmed all negatively stained tissue cores. Such normalization methods should help to better define clinically useful biomarkers.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».