Extraction of RNA Using Fine-Needle Aspiration Samples Stored Under Different Conditions
Notice bibliographique
Résumé
BACKGROUND: : Diagnosis of lung cancer is achieved by fine-needle aspiration (FNA) techniques such as computed tomography-guided FNA and transbronchial needle aspiration. The purpose of this study was to establish an optimal storing method for molecular testing in FNA samples. METHODS: : We performed FNA using a 21-gauge needle in surgically resected lung cancer samples. The aspirates were stored according to the following protocol: in group 1, the aspirate was snap frozen with liquid nitrogen and in group 2, the aspirate was mixed with RNA later. After sample collection from both groups, these samples were stored at -80°C for 6 months. RNA was extracted from each sample using a commercially available RNA extraction kit, and the quality and quantity of RNA were measured. Quantitative real-time reverse transcriptase polymerase chain reaction (RT-PCR) was performed for human actin β (hACTB) and keratin 19 (KRT19). RESULTS: : FNA was performed from 7 lung cancers. RNA was extracted from all samples. The median total amount of extracted RNA was 33.9 μg for group 1 and 35.8 μg for group 2. The mean RNA integrity number was 3.5 for group 1 and 6.3 for group 2. RT-PCR for hACTB and KRT19 could be successfully performed in all samples; however, the relative gene expression value showed intrasample variation. CONCLUSIONS: : Samples obtained from computed tomography-guided FNA or transbronchial needle aspiration may be used for genetic profiling of lung cancer. RNA can be extracted from FNA samples and can be used for RT-PCR. RNA quality may affect mRNA expression analysis; therefore, an optimal FNA sample storing protocol is essential.
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 ».