Driver mutations of cancer epigenomes
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
Epigenetic alterations are associated with all aspects of cancer, from tumor initiation to cancer progression and metastasis. It is now well understood that both losses and gains of DNA methylation as well as altered chromatin organization contribute significantly to cancer-associated phenotypes. More recently, new sequencing technologies have allowed the identification of driver mutations in epigenetic regulators, providing a mechanistic link between the cancer epigenome and genetic alterations. Oncogenic activating mutations are now known to occur in a number of epigenetic modifiers (i.e. IDH1/2, EZH2, DNMT3A), pinpointing epigenetic pathways that are involved in tumorigenesis. Similarly, investigations into the role of inactivating mutations in chromatin modifiers (i.e. KDM6A, CREBBP/EP300, SMARCB1) implicate many of these genes as tumor suppressors. Intriguingly, a number of neoplasms are defined by a plethora of mutations in epigenetic regulators, including renal, bladder, and adenoid cystic carcinomas. Particularly striking is the discovery of frequent histone H3.3 mutations in pediatric glioma, a particularly aggressive neoplasm that has long remained poorly understood. Cancer epigenetics is a relatively new, promising frontier with much potential for improving cancer outcomes. Already, therapies such as 5-azacytidine and decitabine have proven that targeting epigenetic alterations in cancer can lead to tangible benefits. Understanding how genetic alterations give rise to the cancer epigenome will offer new possibilities for developing better prognostic and therapeutic strategies.
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 | 0,000 | 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 | 0,000 | 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