Pediatric rhabdoid tumors of kidney and brain show many differences in gene expression but share dysregulation of cell cycle and epigenetic effector genes
Notice bibliographique
Résumé
BACKGROUND: Rhabdoid tumors (RTs) are aggressive tumors of early childhood that occur most often in brain (AT/RTs) or kidney (KRTs). Regardless of location, they are characterized by loss of functional SMARCB1 protein, a component of the SWI/SNF chromatin remodeling complex. The aim of this study was to determine genes and biological process dysregulated in common to both AT/RTs and KRTs. PROCEDURE: Gene expression for AT/RTs was compared to that of other brain tumors and normal brain using microarray data from our lab. Similar analysis was performed for KRTs and other kidney tumors and normal kidney using data from GEO. Dysregulated genes common to both analyses were analyzed for functional significance. RESULTS: Unsupervised hierarchical clustering of RTs identified three major subsets: two comprised of AT/RTs, and one of KRTs. Compared to other tumors, 1,187, 663, and 539 genes were dysregulated in each subset, respectively. Only 14 dysregulated genes were common to all three subsets. Compared to normal tissue, 5,209, 4,275, and 2,841 genes were dysregulated in each subset, with an overlap of 610 dysregulated genes. Among these genes, processes associated with cell proliferation, MYC activation, and epigenetic dysregulation were common to all three RT subsets. CONCLUSIONS: The low overlap of dysregulated genes in AT/RTs and KRTs suggests that factors in addition to SMARCB1 loss play a role in determining subsequent gene expression. Drugs which target cell cycle or epigenetic genes may be useful in all RTs. Additionally, targeted therapies tailored to specific RT subset molecular profiles should be considered.
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 | 0,000 | 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 | 0,000 |
| 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 ».