Identification of Vascular Breast Tumor Markers by Laser Capture Microdissection and Label-Free LC−MS
Notice bibliographique
Résumé
Blood vessels in tumors frequently show abnormal characteristics, such as tortuous morphology or leakiness, but very little is known about protein expression in tumor vessels. In this study, we have used laser capture microdissection (LCM) to isolate microvessels from clinical samples of invasive ductal carcinoma (IDC), the most common form of malignant breast cancer, and from patient-matched adjacent nonmalignant tissue. This approach eliminates many of the problems associated with the heterogeneity of clinical tumor tissues by controlling for differences in protein expression between both individual patients and different cell types. Proteins from the microvessels were trypsinized and the resulting peptides were quantified by a label-free nanoLC-MS method. A total of 86 proteins were identified that are overexpressed in tumor vessels relative to vessels isolated from the adjacent nonmalignant tissue. These proteins include well-known breast tumor markers such as Periostin and Tenascin C but also proteins with lesser-known or emerging roles in breast cancer and tumor angiogenesis (i.e., Serpin H1, Clic-1, and Transgelin 2). We also identified 40 proteins that were relatively under-expressed in IDC tumor vessels, including several components of the basement membrane whose lower expression could be responsible for weakening tumor vessels. Lastly, we show that a subset of 29 proteins, derived from our list of differentially expressed proteins, is able to predict survival in three publicly available clinical breast cancer microarray data sets, which suggests that this subset of proteins likely plays a functional role in cancer progression and outcome.
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 | 0,000 |
| 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 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 ».