Multicolor microRNA FISH effectively differentiates tumor types
Notice bibliographique
Résumé
MicroRNAs (miRNAs) are excellent tumor biomarkers because of their cell-type specificity and abundance. However, many miRNA detection methods, such as real-time PCR, obliterate valuable visuospatial information in tissue samples. To enable miRNA visualization in formalin-fixed paraffin-embedded (FFPE) tissues, we developed multicolor miRNA FISH. As a proof of concept, we used this method to differentiate two skin tumors, basal cell carcinoma (BCC) and Merkel cell carcinoma (MCC), with overlapping histologic features but distinct cellular origins. Using sequencing-based miRNA profiling and discriminant analysis, we identified the tumor-specific miRNAs miR-205 and miR-375 in BCC and MCC, respectively. We addressed three major shortcomings in miRNA FISH, identifying optimal conditions for miRNA fixation and ribosomal RNA (rRNA) retention using model compounds and high-pressure liquid chromatography (HPLC) analyses, enhancing signal amplification and detection by increasing probe-hapten linker lengths, and improving probe specificity using shortened probes with minimal rRNA sequence complementarity. We validated our method on 4 BCC and 12 MCC tumors. Amplified miR-205 and miR-375 signals were normalized against directly detectable reference rRNA signals. Tumors were classified using predefined cutoff values, and all were correctly identified in blinded analysis. Our study establishes a reliable miRNA FISH technique for parallel visualization of differentially expressed miRNAs in FFPE tumor tissues.
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 | 0,002 |
| 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 ».