Inferring Transcriptional Regulatory Relationships Among Genes in Breast Cancer: An Application of Bayes' Theorem
Notice bibliographique
Résumé
The introduction of Deoxyribonucleic acid (DNA) microarray technologies provides a means of measuring the expression of thousands of genes simultaneously. It has generally sought to revolutionalize biological research by significantly elucidating biological processes. Gene networks may be inferred from such microarray data. Bayes' theorem, in this work is applied to the problem of inferring new transcriptional regulatory relationships among gene products in Breast Cancer. A compendium of human breast epithelial cell probe level microarray data from the Gene Expression Omnibus (GEO) repository was subjected to the Robust Multiarray Average (RMA) procedure for normalization and background correction. A subset of the resulting expression matrix consisting of the expression values of only relevant probe-set identifiers (IDs) representing the genes of interest in the data were extracted with a LISP code. This subset was supplied to a Bayesian Network inference learning algorithm to unearth new regulatory relationships from the data. Variations in parameters of the learning algorithms resulted in the prediction of at least 10 new relationships among genes in breast cancer. Among these were the direct regulatory signaling relationship between S-phase kinase associated protein 2 (SKP2) and the Cell division cycle 25A (CDC25A) and that between the cyclin-dependent kinases regulatory subunit 1 (CKS1B / CDC28) and E2F transcription factor 3 (E2F3). The identified causal networks are potentially useful for understanding complex drug actions and dysfunctional signaling in breast cancer.
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 ».