Mining the Ovarian Cancer Ascites Proteome for Potential Ovarian Cancer Biomarkers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Current ovarian cancer biomarkers are inadequate because of their relatively low diagnostic sensitivity and specificity. There is a need to discover and validate novel ovarian cancer biomarkers that are suitable for early diagnosis, monitoring, and prediction of therapeutic response. We performed an in-depth proteomics analysis of ovarian cancer ascites fluid. Size exclusion chromatography and ultrafiltration were used to remove high abundance proteins with molecular mass >/=30 kDa. After trypsin digestion, the subproteome (</=30 kDa) of ascites fluid was determined by two-dimensional liquid chromatography-tandem mass spectrometry. Filtering criteria were used to select potential ovarian cancer biomarker candidates. By combining data from different size exclusion and ultrafiltration fractionation protocols, we identified 445 proteins from the soluble ascites fraction using a two-dimensional linear ion trap mass spectrometer. Among these were 25 proteins previously identified as ovarian cancer biomarkers. After applying a set of filtering criteria to reduce the number of potential biomarker candidates, we identified 52 proteins for which further clinical validation is warranted. Our proteomics approach for discovering novel ovarian cancer biomarkers appears to be highly efficient because it was able to identify 25 known biomarkers and 52 new candidate biomarkers that warrant further validation.
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.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle