Multilevel Whole-Genome Analysis Reveals Candidate Biomarkers in Clear Cell Renal Cell Carcinoma
Notice bibliographique
Résumé
Renal cell carcinoma (RCC) is the most common neoplasm of the kidney. We conducted an integrated analysis of copy number, gene expression (mRNA and miRNA), protein expression, and methylation changes in clear cell renal cell carcinoma (ccRCC). We used a stepwise approach to identify the most significant copy number aberrations (CNA) and identified regions of peak and broad copy number gain and loss, including peak gains (3q21, 5q32, 5q34-q35, 7p11, 7q21, 8q24, 11q13, and 12q14) and deletions (1p36, 2q34-q37, 3p25, 4q33-q35, 6q23-q27, and 9p21). These regions harbor novel tumor-related genes and miRNAs not previously reported in renal carcinoma. Integration of genome-wide expression data and gene set enrichment analysis revealed 75 gene sets significantly altered in tumors with CNAs compared with tumors without aberration. We also identified genes located in peak CNAs with concordant methylation changes (hypomethylated in copy number gains such as STC2 and CCND1 and hypermethylated in deletions such as CLCNKB, VHL, and CDKN2A/2B). For other genes, such as CA9, expression represents the net outcome of opposing forces (deletion and hypomethylation) that also significantly influences patient survival. We also validated the prognostic value of miRNA let-7i in RCCs. miR-138, located in chromosome 3p deletion, was also found to have suppressive effects on tumor proliferation and migration abilities. Our findings provide a significant advance in the delineation of the ccRCC genome by better defining the impact of CNAs in conjunction with methylation changes on the expression of cancer-related genes, miRNAs, and proteins and their influence on patient survival.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».