Three dysregulated miRNAs control kallikrein 10 expression and cell proliferation in ovarian cancer
Notice bibliographique
Résumé
BACKGROUND: Kallikrein-related peptidases (KLKs) are a family of serine proteases that have been shown to be dysregulated in several malignancies including ovarian cancer. The control of kallikrein genes and their physiological function in cancer is not well understood. We hypothesized that microRNAs (miRNAs) represent a novel mechanism for post-transcriptional control of KLK expression in cancer. METHODS: We first analysed miRNA expression in ovarian cancer in silico. A total of 98 miRNAs were reported to have altered expression in ovarian cancer. Three of these miRNAs were predicted to target KLK10. We experimentally verified the predicted miR-KLK10 interaction using two independent techniques, a luciferase assay with a construct containing the KLK10 3' untranslated region (UTR), pMIR-KLK10, and measuring KLK10 protein levels after transfection with miRNA. RESULTS: When we co-transfected cells with pMIR-KLK10 and either let-7f, miR-224, or mR-516a, we saw decreased luciferase signal, suggesting that these miRNAs can target KLK10. We then examined the effect of these three miRNAs on KLK10 protein expression and cell growth. Transfection of all miRNAs, let-7f, miR-224, and miR-516a led to a decrease in protein expression and cellular growth. This effect was shown to be dose dependent. The KLK10 protein levels were partially restored by co-transfecting let-7f and its inhibitor. In addition, there was a slight decrease in KLK10 mRNA expression after transfection with let-7f. CONCLUSION: Our results confirm that KLKs can be targeted by more than one miRNA. Increased expression of certain miRNAs in ovarian cancer can lead to decreased KLK protein expression and subsequently have a negative effect on cell proliferation. This dose-dependent effect suggests that a 'tweaking' or 'fine-tuning' mechanism exists in which the expression of one KLK can be controlled by multiple miRNAs. These data together suggest that miRNA may be used as potential therapeutic options and further studies are required.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 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 ».