Pre-profiling factors influencing serum microRNA levels
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: MicroRNAs (miRNAs) are non-coding RNAs that negatively regulate gene expression by preventing the translation of specific mRNA transcripts. Recent studies have shown that miRNAs are stably expressed in human serum samples, making them good candidates for the non-invasive detection of disease. However, before circulating miRNAs can be used reliably as biomarkers of disease, the pre-measurement variables that may affect serum miRNA levels must be assessed. METHODS: In this study we used quantitative RT-PCR to examine the effect of hemolysis, fasting, and smoking on the levels of 742 miRNAs in the serum of healthy individuals. We also compared serum miRNA profiles of samples taken from healthy individuals over different time periods to assess normal serum miRNA fluctuations. RESULTS: We have found that mechanical hemolysis of blood samples can significantly alter serum miRNA quantification and have identified 162 miRNAs that are significantly up-regulated in hemolysed serum samples. Conversely, fasting and smoking were demonstrated to not have a significant effect on the overall serum miRNA profiles of healthy individuals. The serum miRNA profiles of matched samples taken from individuals over varying time periods showed a high correlation and no miRNAs were significantly differentially expressed in these samples further suggesting the utility of serum miRNAs as biomarkers of disease. Taking the above results into consideration, we have identified miR-99a-5p and miR-139-5p as novel endogenous controls for serum miRNA studies due to their consistency across all sample sets. CONCLUSION: These results identify important pre-profiling factors that should be taken into consideration when identifying endogenous controls and candidate biomarkers for circulating miRNA studies.
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.
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 | 0,002 |
| 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 | 0,000 | 0,000 |
| 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 découle