Differential Protein Expressions in Renal Cell Carcinoma: New Biomarker Discovery by Mass Spectrometry
Notice bibliographique
Résumé
Renal cell carcinoma (RCC) is the most common neoplasm in the adult kidney. Unfortunately, there are currently no biomarkers for the diagnosis of RCC. In addition to early detection, biomarkers have a potential use for prognosis, for monitoring recurrence after treatment, and as predictive markers for treatment efficiency. In this study, we identified proteins that are dysregulated in RCC, utilizing a quantitative mass spectrometry analysis. We compared the protein expression of kidney cancer tissues to their normal counterparts from the same patient using LC-MS/MS. iTRAQ labeling permitted simultaneous quantitative analysis of four samples (cancer, normal, and two controls) by separately tagging the peptides in these samples with four cleavable mass-tags (114, 115, 116, and 117 Da). The samples were then pooled, and the tagged peptides resolved first by strong cation exchange chromatography and then by nanobore reverse phase chromatography coupled online to nanoelectrospray MS/MS. We identified a total of 937 proteins in two runs. There was a statistically significant positive correlation of the proteins identified in both runs (r(p) = 0.695, p < 0.001). Using a cutoff value of 0.67 fold for underexpression and 1.5 fold for overexpression, we identified 168 underexpressed proteins and 156 proteins that were overexpressed in RCC compared to normal tissues. These dysregulated proteins in RCC were statistically significantly different from those of transitional cell carcinoma and end-stage glomerulonephritis. We performed an in silico validation of our results using different tools and databases including Serial Analysis of Gene Expression (SAGE), UniGene EST ProfileViewer, Cancer Genome Anatomy Project, and Gene Ontology consortium analysis.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».