MicroRNA Signature Helps Distinguish Early from Late Biochemical Failure in Prostate Cancer
Notice bibliographique
Résumé
PURPOSE: Prostate-specific antigen testing has led to overtreatment of prostate cancer (PCa). Only a small subset of PCa patients will have an aggressive disease that requires intensive therapy, and there is currently no biomarker to predict disease aggressiveness at the time of surgery. MicroRNAs (miRNAs) are reported to be involved in PCa pathogenesis. METHODS: This study involved 105 participants. For the discovery phase, prostatectomy samples were dichotomized to high-risk (n = 27, biochemical failure <36 months after prostatectomy) and low-risk groups (n = 14, ≥ 36 months without biochemical failure). Expression of 754 mature miRNAs was compared between the 2 groups. Linear regression models were built to accurately predict biochemical failure risk. miRNA mimics were transfected into PCa model cell lines to test effects on proliferation and to deduce responding signaling pathways. RESULTS: We identified 25 differentially expressed miRNAs between the biochemical failure risk groups. Based on the expression of 2-3 miRNAs, 3 logistic regression models were developed, each with a high positive predictive value. Candidate miRNAs and the best-performing model were also verified on an independent PCa set. miRNA-152, featured in the models, was further investigated by using cell line models and was shown to affect cell proliferation. Predicted interaction between miR-152 and (mRNA)ERBB3 (erythroblastic leukemia viral oncogene homolog 3) was experimentally validated in vitro. CONCLUSIONS: miRNAs can help to predict biochemical failure risk at the time of prostatectomy.
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 | 0,001 | 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 ».