Identification of in vivo <i>P</i>‐glycoprotein mRNA decay intermediates in normal liver but not in liver tumors
Notice bibliographique
Résumé
Post-transcriptional regulation at the level of mRNA stability is one important mechanism for over-expression of P-glycoprotein (Pgp) genes observed in cultured cells and in animals. A previous study has shown that mRNA half-lives for Pgp genes in normal liver were less than 2 h, in contrast to greater than 12 h measured in a transplantable liver tumor line. This lower turnover rate of Pgp mRNA may, in large part, contribute to the abundance of Pgp mRNA in liver tumors. The current study sought to investigate the underlying mechanism for the lower turnover rate of Pgp2 mRNA previously determined in liver tumors. As a first approach, we set out to understand the Pgp2 mRNA decay in both normal liver and liver tumors by first identifying and characterizing Pgp2 mRNA degradation intermediates. In this study, we showed that the sensitive ligation-mediated polymerase chain reaction (LM-PCR) method can be used to detect a homogenous pool of in vitro transcribed RNA down to 0.4 ng. By employing gene-specific primers in the LM-PCR method, we successfully identified four Pgp2 mRNA decay intermediates in normal liver. All four decay intermediates detected correspond to the 5' coding region of Pgp2 mRNA, and surprisingly no decay intermediates which correspond to 3' untranslated region, 3' coding region or middle coding region were found using LM-PCR. The identified decay intermediates are unique to the normal liver as they were absent or present at very low level in all three liver tumor samples analyzed. This observation supports our previous findings that the Pgp mRNA turnover rate is lower in liver tumors than in normal liver. These findings have implications for our understanding of the regulation of Pgp mRNA turnover in normal and malignant tissues.
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 ».