Coupling proteomics and transcriptomics in the quest of subtype‐specific proteins in breast cancer
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
Breast-cancer subtypes present with distinct clinical characteristics. Therefore, characterization of subtype-specific proteins may augment the development of targeted therapies and prognostic biomarkers. To address this issue, MS-based secretome analysis of eight breast cancer cell lines, corresponding to the three main breast cancer subtypes was performed. More than 5200 non-redundant proteins were identified with 23, four, and four proteins identified uniquely in basal, HER2-neu-amplified, and luminal breast cancer cells, respectively. An in silico mRNA analysis using publicly available breast cancer tissue microarray data was carried out as a preliminary verification step. In particular, the expression profiles of 15 out of 28 proteins included in the microarray (from a total of 31 in our subtype-specific signature) showed significant correlation with estrogen receptor (ER) expression. A MS-based analysis of breast cancer tissues was undertaken to verify the results at the proteome level. Eighteen out of 31 proteins were quantified in the proteomes of ER-positive and ER-negative breast cancer tissues. Survival analysis using microarray data was performed to examine the prognostic potential of these selected candidates. Three proteins correlated with ER status at both mRNA and protein levels: ABAT, PDZK1, and PTX3, with the former showing significant prognostic potential.
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 | 0,001 |
| 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