Identification of proteins secreted by head and neck cancer cell lines using LC‐MS/MS: Strategy for discovery of candidate serological biomarkers
Notice bibliographique
Résumé
In search of blood-based biomarkers that would enhance the ability to diagnose head and neck/oral squamous cell carcinoma (HNOSCC) in early stages or predict its prognosis, we analyzed the HNOSCC secretome (ensemble of proteins secreted and/or shed from the tumor cells) for potential biomarkers using proteomic technologies. LC-MS/MS was used to identify proteins in the conditioned media of four HNOSCC cell lines (SCC4, HSC2, SCC38, and AMOSIII); 140 unique proteins were identified on the basis of 5% global false discovery rate, 122 of which were secretory proteins, with 29 being previously reported to be overexpressed in HNOSCC in comparison to normal head and neck tissues. Of these, five proteins including α-enolase, peptidyl prolyl isomerase A/cyclophilin A, 14-3-3 ζ, heterogeneous ribonucleoprotein K, and 14-3-3 σ were detected in the sera of HNOSCC patients by Western blot analysis. Our study provides the evidence that analysis of head and neck cancer cells' secretome is a viable strategy for identifying candidate serological biomarkers for HNOSCC. In future, these biomarkers may be useful in predicting the likelihood of transformation of oral pre-malignant lesions, prognosis of HNOSCC patients and evaluate response to therapy using minimally invasive tests.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».